ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TED1994

Danny Hillis: Back to the future (of 1994)

Danny Hillis: Ritorno al futuro (del 1994)

Filmed:
686,810 views

Dai meandri degli archivi TED, Danny Hillis delinea una teoria interessante su come e perché il cambiamento tecnologico sembri accelerare, collegandolo all'evoluzione della vita stessa. Le tecniche di presentazione che usa possono sembrare obsolete, ma le idee sono attuali come non mai.
- 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

Double-click the English transcript below to play the video.

00:15
Because I usuallygeneralmente take the roleruolo
0
0
3000
Solitamente ho il compito
00:18
of tryingprovare to explainspiegare to people
1
3000
2000
di provare a spiegare alla gente
00:20
how wonderfulmeraviglioso the newnuovo technologiestecnologie
2
5000
3000
quanto meravigliose saranno
00:23
that are comingvenuta alonglungo are going to be,
3
8000
2000
le nuove tecnologie che stanno nascendo,
00:25
and I thought that, sinceda I was amongtra friendsamici here,
4
10000
3000
ma ho pensato che, visto che qui siamo tra amici,
00:28
I would tell you what I really think
5
13000
4000
vi avrei detto quello che penso davvero
00:32
and try to look back and try to understandcapire
6
17000
2000
e ci saremmo guardati alle spalle per capire
00:34
what is really going on here
7
19000
3000
cosa stia succedendo in realtà
00:37
with these amazingStupefacente jumpssalti in technologytecnologia
8
22000
5000
con questi salti tecnologici sensazionali
00:42
that seemsembrare so fastveloce that we can barelyappena keep on topsuperiore of it.
9
27000
3000
che sembrano tanto veloci che a fatica riusciamo a seguirli.
00:45
So I'm going to startinizio out
10
30000
2000
Vorrei cominciare
00:47
by showingmostrando just one very boringnoioso technologytecnologia slidediapositiva.
11
32000
3000
mostrandovi una singola diapositiva molto noiosa sulla tecnologia.
00:50
And then, so if you can just turnturno on the slidediapositiva that's on.
12
35000
3000
Ecco, se potete accendere il proiettore.
00:56
This is just a randomcasuale slidediapositiva
13
41000
2000
Questa è una diapositiva a caso
00:58
that I pickedraccolto out of my filefile.
14
43000
2000
che ho preso dal mio archivio.
01:00
What I want to showmostrare you is not so much the detailsdettagli of the slidediapositiva,
15
45000
3000
Quello che vorrei sottolineare non sono tanto i dettagli,
01:03
but the generalgenerale formmodulo of it.
16
48000
2000
ma la forma generale.
01:05
This happensaccade to be a slidediapositiva of some analysisanalisi that we were doing
17
50000
3000
Questa è una diapositiva su un'analisi che stiamo conducendo
01:08
about the powerenergia of RISCRISC microprocessorsmicroprocessori
18
53000
3000
sulla potenza dei microprocessori RISC
01:11
versuscontro the powerenergia of localLocale areala zona networksreti.
19
56000
3000
rispetto alla potenza delle reti locali.
01:14
And the interestinginteressante thing about it
20
59000
2000
La cosa interessante
01:16
is that this slidediapositiva,
21
61000
2000
è che questa diapositiva,
01:18
like so manymolti technologytecnologia slidesscivoli that we're used to,
22
63000
3000
come tante slide tecniche a cui siamo abituati,
01:21
is a sortordinare of a straightdritto linelinea
23
66000
2000
è una sorta di linea retta
01:23
on a semi-logsemi-log curvecurva.
24
68000
2000
su una curva semi-logaritmica.
01:25
In other wordsparole, everyogni steppasso here
25
70000
2000
In altre parole, ogni fase qui
01:27
representsrappresenta an orderordine of magnitudemagnitudine
26
72000
2000
rappresenta un ordine di grandezza
01:29
in performanceprestazione scalescala.
27
74000
2000
sulla scala delle prestazioni.
01:31
And this is a newnuovo thing
28
76000
2000
Questa è una cosa nuova:
01:33
that we talk about technologytecnologia
29
78000
2000
parlare di tecnologia
01:35
on semi-logsemi-log curvescurve.
30
80000
2000
su curve semi-logaritmiche.
01:37
Something really weirdstrano is going on here.
31
82000
2000
Sta succedendo qualcosa di strano.
01:39
And that's basicallyfondamentalmente what I'm going to be talkingparlando about.
32
84000
3000
E sarà in pratica quello di cui parlerò.
01:42
So, if you could bringportare up the lightsluci.
33
87000
3000
Potete riaccendere le luci.
01:47
If you could bringportare up the lightsluci higherpiù alto,
34
92000
2000
Fate un po' più di luce, per favore,
01:49
because I'm just going to use a piecepezzo of papercarta here.
35
94000
3000
perché vorrei usare uno di questi fogli.
01:52
Now why do we drawdisegnare technologytecnologia curvescurve
36
97000
2000
Perché disegniamo curve che riguardano la tecnologia
01:54
in semi-logsemi-log curvescurve?
37
99000
2000
su curve semi-logaritmiche?
01:56
Well the answerrisposta is, if I drewha disegnato it on a normalnormale curvecurva
38
101000
3000
La risposta è che, se le disegnassi su una curva normale
01:59
where, let's say, this is yearsanni,
39
104000
2000
dove, diciamo, questi sono anni,
02:01
this is time of some sortordinare,
40
106000
2000
questo è il tempo,
02:03
and this is whateverqualunque cosa measuremisurare of the technologytecnologia
41
108000
3000
e questa è una qualunque misura di tecnologia
02:06
that I'm tryingprovare to graphgrafico,
42
111000
3000
che sto cercando di rappresentare,
02:09
the graphsgrafici look sortordinare of sillysciocco.
43
114000
3000
il grafico avrebbe un aspetto un po' stupido.
02:12
They sortordinare of go like this.
44
117000
3000
Una cosa di questo tipo.
02:15
And they don't tell us much.
45
120000
3000
E non ci dice molto.
02:18
Now if I graphgrafico, for instanceesempio,
46
123000
3000
Ora, se disegnassi per esempio
02:21
some other technologytecnologia, say transportationmezzi di trasporto technologytecnologia,
47
126000
2000
una tecnologia differente, ad esempio quella dei mezzi di trasporto,
02:23
on a semi-logsemi-log curvecurva,
48
128000
2000
su una curva semi-logaritmica,
02:25
it would look very stupidstupido, it would look like a flatpiatto linelinea.
49
130000
3000
avrebbe un aspetto molto stupido, quello di una linea piatta.
02:28
But when something like this happensaccade,
50
133000
2000
Ma quando succede una cosa come questa
02:30
things are qualitativelyqualitativamente changingmutevole.
51
135000
2000
le cose stanno visibilmente cambiando.
02:32
So if transportationmezzi di trasporto technologytecnologia
52
137000
2000
Se la tecnologia dei mezzi di trasporto
02:34
was movingin movimento alonglungo as fastveloce as microprocessormicroprocessore technologytecnologia,
53
139000
3000
progredisse velocemente come quella dei microprocessori,
02:37
then the day after tomorrowDomani,
54
142000
2000
allora entro un paio di giorni
02:39
I would be ablecapace to get in a taxiTaxi cabtaxi
55
144000
2000
dovrei poter salire su un taxi
02:41
and be in TokyoTokyo in 30 secondssecondi.
56
146000
2000
e arrivare a Tokyo in 30 secondi.
02:43
It's not movingin movimento like that.
57
148000
2000
Non si comporta così.
02:45
And there's nothing precedentedpreceduti
58
150000
2000
E non c'è nulla di simile,
02:47
in the historystoria of technologytecnologia developmentsviluppo
59
152000
2000
nella storia dello sviluppo tecnologico,
02:49
of this kindgenere of self-feedingself-feeding growthcrescita
60
154000
2000
a questo tipo di crescita auto-alimentante
02:51
where you go by ordersordini of magnitudemagnitudine everyogni fewpochi yearsanni.
61
156000
3000
in cui si cresce di interi ordini di grandezza nel giro di pochi anni.
02:54
Now the questiondomanda that I'd like to askChiedere is,
62
159000
3000
Ora vorrei chiedervi,
02:57
if you look at these exponentialesponenziale curvescurve,
63
162000
3000
se guardate queste curve esponenziali,
03:00
they don't go on foreverper sempre.
64
165000
3000
non proseguono indefinitamente, vero?
03:03
Things just can't possiblypossibilmente keep changingmutevole
65
168000
3000
Le cose semplicemente non possono continuare
03:06
as fastveloce as they are.
66
171000
2000
a cambiare così velocemente.
03:08
One of two things is going to happenaccadere.
67
173000
3000
Accadrà una di queste due cose.
03:11
EitherEntrambi it's going to turnturno into a sortordinare of classicalclassica S-curveS-curva like this,
68
176000
4000
O si trasformeranno in curve a S abbastanza classiche come questa,
03:15
untilfino a something totallytotalmente differentdiverso comesviene alonglungo,
69
180000
4000
finché non appare qualcosa di completamente diverso,
03:19
or maybe it's going to do this.
70
184000
2000
oppure faranno una cosa così.
03:21
That's about all it can do.
71
186000
2000
È tutto quello che può succedere.
03:23
Now I'm an optimistottimista,
72
188000
2000
Io sono un ottimista,
03:25
so I sortordinare of think it's probablyprobabilmente going to do something like that.
73
190000
3000
quindi penso che probabilmente seguiranno questo percorso.
03:28
If so, that meanssi intende that what we're in the middlein mezzo of right now
74
193000
3000
Se è così, significa che quella che stiamo attraversando proprio adesso
03:31
is a transitiontransizione.
75
196000
2000
è una transizione.
03:33
We're sortordinare of on this linelinea
76
198000
2000
Siamo circa su questa linea
03:35
in a transitiontransizione from the way the worldmondo used to be
77
200000
2000
di transizione tra come il mondo era una volta
03:37
to some newnuovo way that the worldmondo is.
78
202000
3000
a come è adesso.
03:40
And so what I'm tryingprovare to askChiedere, what I've been askingchiede myselfme stessa,
79
205000
3000
Vorrei chiedervi, e me lo chiedo anch'io,
03:43
is what's this newnuovo way that the worldmondo is?
80
208000
3000
com'è fatta questa nuova forma del mondo?
03:46
What's that newnuovo statestato that the worldmondo is headingintestazione towardverso?
81
211000
3000
E qual è il nuovo stato verso cui si dirige il mondo?
03:49
Because the transitiontransizione seemssembra very, very confusingconfusione
82
214000
3000
Perché la transizione sembra molto molto confusa
03:52
when we're right in the middlein mezzo of it.
83
217000
2000
quando ci siamo proprio nel mezzo.
03:54
Now when I was a kidragazzo growingin crescita up,
84
219000
3000
Quando ero piccolo,
03:57
the futurefuturo was kindgenere of the yearanno 2000,
85
222000
3000
il futuro era all'incirca nell'anno 2000,
04:00
and people used to talk about what would happenaccadere in the yearanno 2000.
86
225000
4000
e le persone parlavano di cosa sarebbe successo nel 2000.
04:04
Now here'secco a conferenceconferenza
87
229000
2000
Ed ecco qui una conferenza
04:06
in whichquale people talk about the futurefuturo,
88
231000
2000
in cui le persone parlano del futuro,
04:08
and you noticeAvviso that the futurefuturo is still at about the yearanno 2000.
89
233000
3000
dove si può notare che il futuro è ancora intorno al 2000.
04:11
It's about as farlontano as we go out.
90
236000
2000
È il massimo a cui possiamo spingerci.
04:13
So in other wordsparole, the futurefuturo has kindgenere of been shrinkingcontrazione
91
238000
3000
In altre parole, il futuro si è ristretto in qualche modo
04:16
one yearanno perper yearanno
92
241000
3000
un anno ogni anno
04:19
for my wholetotale lifetimetutta la vita.
93
244000
3000
per tutta la mia vita.
04:22
Now I think that the reasonragionare
94
247000
2000
Penso che la ragione
04:24
is because we all feel
95
249000
2000
sia perché tutti abbiamo la sensazione
04:26
that something'sc'è qualcosa che non happeningavvenimento there.
96
251000
2000
che qualcosa sta accadendo.
04:28
That transitiontransizione is happeningavvenimento. We can all sensesenso it.
97
253000
2000
La transizione sta accadendo. Possiamo sentirla tutti.
04:30
And we know that it just doesn't make too much sensesenso
98
255000
2000
E sappiamo che non ha neanche molto senso
04:32
to think out 30, 50 yearsanni
99
257000
2000
persare 30, 50 anni in anticipo
04:34
because everything'stutto è going to be so differentdiverso
100
259000
3000
perché tutto sarà così diverso
04:37
that a simplesemplice extrapolationestrapolazione of what we're doing
101
262000
2000
che una semplice estrapolazione di quello che stiamo facendo
04:39
just doesn't make any sensesenso at all.
102
264000
3000
semplicemente non ha senso.
04:42
So what I would like to talk about
103
267000
2000
Quello di cui vorrei parlare
04:44
is what that could be,
104
269000
2000
è ciò che potrebbe essere,
04:46
what that transitiontransizione could be that we're going throughattraverso.
105
271000
3000
che aspetto potrebbe avere la transizione che stiamo attraversando.
04:49
Now in orderordine to do that
106
274000
3000
Per fare ciò
04:52
I'm going to have to talk about a bunchmazzo of stuffcose
107
277000
2000
dovrò parlare di un mucchio di cose
04:54
that really has nothing to do
108
279000
2000
che non hanno niente a che fare
04:56
with technologytecnologia and computerscomputer.
109
281000
2000
con tecnologia e computer.
04:58
Because I think the only way to understandcapire this
110
283000
2000
Penso che l'unico modo di capire tutto questo
05:00
is to really steppasso back
111
285000
2000
sia fare un passo indietro
05:02
and take a long time scalescala look at things.
112
287000
2000
e usare una scala di tempo molto lunga.
05:04
So the time scalescala that I would like to look at this on
113
289000
3000
Quindi la scala di tempo che vorrei usare è
05:07
is the time scalescala of life on EarthTerra.
114
292000
3000
la scala di tempo della vita sulla Terra.
05:13
So I think this pictureimmagine makesfa sensesenso
115
298000
2000
Penso che questa immagine abbia senso
05:15
if you look at it a fewpochi billionmiliardo yearsanni at a time.
116
300000
4000
se la si guarda a miliardi di anni per volta.
05:19
So if you go back
117
304000
2000
Se tornate indietro
05:21
about two and a halfmetà billionmiliardo yearsanni,
118
306000
2000
di circa due miliardi e mezzo di anni,
05:23
the EarthTerra was this biggrande, sterilesterile hunkHunk of rockroccia
119
308000
3000
la Terra era un enorme, sterile pezzo di roccia
05:26
with a lot of chemicalssostanze chimiche floatinggalleggiante around on it.
120
311000
3000
con molti elementi chimici che le giravano attorno.
05:29
And if you look at the way
121
314000
2000
Se guardate al modo in cui
05:31
that the chemicalssostanze chimiche got organizedorganizzato,
122
316000
2000
gli elementi chimici si sono organizzati,
05:33
we begininizio to get a prettybella good ideaidea of how they do it.
123
318000
3000
cominciamo a farci un'idea abbastanza buona di come fanno.
05:36
And I think that there's theoriesteorie that are beginninginizio to understandcapire
124
321000
3000
E penso ci siano teorie che stanno cominciando a capire
05:39
about how it startediniziato with RNARNA,
125
324000
2000
come tutto è cominciato con l'RNA,
05:41
but I'm going to tell a sortordinare of simplesemplice storystoria of it,
126
326000
3000
ma io vorrei raccontarvi la versione corta,
05:44
whichquale is that, at that time,
127
329000
2000
e cioè che, a quell'epoca,
05:46
there were little dropsgocce of oilolio floatinggalleggiante around
128
331000
3000
c'erano piccole gocce d'olio che galleggiavano
05:49
with all kindstipi of differentdiverso recipesricette of chemicalssostanze chimiche in them.
129
334000
3000
con all'interno tutti i tipi di ricette per formare elementi chimici.
05:52
And some of those dropsgocce of oilolio
130
337000
2000
Alcune di queste gocce d'olio
05:54
had a particularparticolare combinationcombinazione of chemicalssostanze chimiche in them
131
339000
2000
contenevano una particolare combinazione di sostanza chimiche
05:56
whichquale causedcausato them to incorporateincorporare chemicalssostanze chimiche from the outsideal di fuori
132
341000
3000
che le ha spinte ad incorporare elementi chimici dall'esterno
05:59
and growcrescere the dropsgocce of oilolio.
133
344000
3000
ed espandere la goccia.
06:02
And those that were like that
134
347000
2000
Quelle che si comportavano così
06:04
startediniziato to splitDiviso and dividedividere.
135
349000
2000
cominciarono a dividersi e separarsi.
06:06
And those were the mostmaggior parte primitiveprimitivo formsforme of cellscellule in a sensesenso,
136
351000
3000
Quelle erano le forme più primitive di cellula, in un certo senso,
06:09
those little dropsgocce of oilolio.
137
354000
2000
piccole gocce d'olio.
06:11
But now those dropsgocce of oilolio weren'tnon erano really alivevivo, as we say it now,
138
356000
3000
Ma quelle gocce non erano ancora vive, come diciamo adesso,
06:14
because everyogni one of them
139
359000
2000
perché ognuna di esse
06:16
was a little randomcasuale recipericetta of chemicalssostanze chimiche.
140
361000
2000
era una collezione casuale di elementi.
06:18
And everyogni time it divideddiviso,
141
363000
2000
Ogni volta che si divideva
06:20
they got sortordinare of unequalineguale divisiondivisione
142
365000
3000
si aveva una sorta di spartizione non equa
06:23
of the chemicalssostanze chimiche withinentro them.
143
368000
2000
degli elementi all'interno.
06:25
And so everyogni dropfar cadere was a little bitpo differentdiverso.
144
370000
3000
Quindi ogni goccia era un po' diversa.
06:28
In factfatto, the dropsgocce that were differentdiverso in a way
145
373000
2000
In effetti, le gocce che erano diverse in modo tale
06:30
that causedcausato them to be better
146
375000
2000
da essere più adatte
06:32
at incorporatingincorporando chemicalssostanze chimiche around them,
147
377000
2000
a incorporare gli elementi intorno a loro
06:34
grewè cresciuto more and incorporatedincorporato more chemicalssostanze chimiche and divideddiviso more.
148
379000
3000
crebbero di più, incorporarono più elementi e si riprodussero di più.
06:37
So those tendedla tendenza to livevivere longerpiù a lungo,
149
382000
2000
Queste tendevano anche a vivere più a lungo,
06:39
get expressedespresso more.
150
384000
3000
a essere espresse di più.
06:42
Now that's sortordinare of just a very simplesemplice
151
387000
3000
Questa è solo una semplice
06:45
chemicalchimico formmodulo of life,
152
390000
2000
forma di vita chimica,
06:47
but when things got interestinginteressante
153
392000
3000
ma il momento in cui le cose si fecero interessanti
06:50
was when these dropsgocce
154
395000
2000
fu quando quelle gocce
06:52
learnedimparato a tricktrucco about abstractionastrazione.
155
397000
3000
impararono un trucco sull'astrazione.
06:55
SomehowIn qualche modo by waysmodi that we don't quiteabbastanza understandcapire,
156
400000
3000
In un qualche modo che ancora non comprendiamo del tutto,
06:58
these little dropsgocce learnedimparato to writeScrivi down informationinformazione.
157
403000
3000
queste gocce impararono a scrivere le informazioni.
07:01
They learnedimparato to recorddisco the informationinformazione
158
406000
2000
Impararono a registrare l'informazione,
07:03
that was the recipericetta of the cellcellula
159
408000
2000
la ricetta della cellula,
07:05
ontosu a particularparticolare kindgenere of chemicalchimico
160
410000
2000
su un particolare tipo di elemento chimico
07:07
calledchiamato DNADNA.
161
412000
2000
chiamato DNA.
07:09
So in other wordsparole, they workedlavorato out,
162
414000
2000
In altre parole hanno concepito,
07:11
in this mindlessMindless sortordinare of evolutionaryevolutiva way,
163
416000
3000
nel modo meccanico proprio dell'evoluzione,
07:14
a formmodulo of writingscrittura that let them writeScrivi down what they were,
164
419000
3000
una forma di scrittura che gli permise di registrare ciò che erano,
07:17
so that that way of writingscrittura it down could get copiedcopiati.
165
422000
3000
in modo che anche quel modo di scrivere venisse copiato.
07:20
The amazingStupefacente thing is that that way of writingscrittura
166
425000
3000
La cosa fantastica è che quella forma di scrittura
07:23
seemssembra to have stayedrimasto steadycostante
167
428000
2000
sembra essere rimasta immutata
07:25
sinceda it evolvedevoluto two and a halfmetà billionmiliardo yearsanni agofa.
168
430000
2000
da quando si è evoluta due miliardi e mezzo di anni fa.
07:27
In factfatto the recipericetta for us, our genesgeni,
169
432000
3000
La ricetta per noi, i nostri geni,
07:30
is exactlydi preciso that samestesso codecodice and that samestesso way of writingscrittura.
170
435000
3000
è esattamente lo stesso codice e la stessa forma di scrittura.
07:33
In factfatto, everyogni livingvita creaturecreatura is writtenscritto
171
438000
3000
In effetti, ogni creatura vivente è scritta
07:36
in exactlydi preciso the samestesso setimpostato of letterslettere and the samestesso codecodice.
172
441000
2000
con le stesse lettere e lo stesso codice.
07:38
In factfatto, one of the things that I did
173
443000
2000
Ho fatto una cosa
07:40
just for amusementdivertimenti purposesscopi
174
445000
2000
giusto per divertirmi un po'
07:42
is we can now writeScrivi things in this codecodice.
175
447000
2000
grazie al fatto che possiamo usare questo codice.
07:44
And I've got here a little 100 microgramsmicrogrammi of whitebianca powderpolvere,
176
449000
6000
Ho qui 100 microgrammi di polvere bianca
07:50
whichquale I try not to let the securitysicurezza people see at airportsaeroporti.
177
455000
4000
che cerco di non far vedere agli addetti alla sicurezza degli aeroporti.
07:54
(LaughterRisate)
178
459000
2000
(Risate)
07:56
But this has in it --
179
461000
2000
Questa contiene...
07:58
what I did is I tookha preso this codecodice --
180
463000
2000
quello che ho fatto è stato prendere il codice
08:00
the codecodice has standardstandard letterslettere that we use for symbolizingche simboleggia it --
181
465000
3000
che ha lettere standard che usiamo per rappresentarlo,
08:03
and I wroteha scritto my businessattività commerciale cardcarta ontosu a piecepezzo of DNADNA
182
468000
3000
e ho scritto il mio biglietto da visita sul DNA
08:06
and amplifiedamplificato it 10 to the 22 timesvolte.
183
471000
3000
e l'ho ingrandito di 10 alla ventiduesima volte.
08:09
So if anyonechiunque would like a hundredcentinaio millionmilione copiescopie of my businessattività commerciale cardcarta,
184
474000
3000
Quindi se qualcuno volesse cento milioni di copie del mio biglietto
08:12
I have plentyabbondanza for everyonetutti in the roomcamera,
185
477000
2000
ne ho abbastanza per tutti in sala,
08:14
and, in factfatto, everyonetutti in the worldmondo,
186
479000
2000
o per ogni persona al mondo,
08:16
and it's right here.
187
481000
3000
ed è proprio qui.
08:19
(LaughterRisate)
188
484000
5000
(Risate)
08:26
If I had really been a egotistegotista,
189
491000
2000
Se fossi stato davvero egocentrico,
08:28
I would have put it into a virusvirus and releasedrilasciato it in the roomcamera.
190
493000
3000
lo avrei inserito in un virus e rilasciato nella stanza.
08:31
(LaughterRisate)
191
496000
5000
(Risate)
08:39
So what was the nextIl prossimo steppasso?
192
504000
2000
Qual è il prossimo passo?
08:41
WritingScrittura down the DNADNA was an interestinginteressante steppasso.
193
506000
2000
Poter scrivere il DNA è stato un passo interessante.
08:43
And that causedcausato these cellscellule --
194
508000
2000
Questo ha permesso alle cellule
08:45
that kepttenere them happycontento for anotherun altro billionmiliardo yearsanni.
195
510000
2000
di essere felici per un altro miliardo di anni.
08:47
But then there was anotherun altro really interestinginteressante steppasso
196
512000
2000
Ma poi c'è stato un altro passo molto importante
08:49
where things becamedivenne completelycompletamente differentdiverso,
197
514000
3000
che ha cambiato completamente le cose:
08:52
whichquale is these cellscellule startediniziato exchanginglo scambio di and communicatingcomunicare informationinformazione,
198
517000
3000
queste cellule hanno cominciato a scambiare informazioni e comunicare,
08:55
so that they beganiniziato to get communitiescomunità of cellscellule.
199
520000
2000
cominciarono a spuntare delle comunità di cellule.
08:57
I don't know if you know this,
200
522000
2000
Non so se lo sapete,
08:59
but bacteriabatteri can actuallyin realtà exchangescambio DNADNA.
201
524000
2000
ma i batteri possono scambiarsi il DNA.
09:01
Now that's why, for instanceesempio,
202
526000
2000
Questo è il motivo, per esempio,
09:03
antibioticAntibiotico resistanceresistenza has evolvedevoluto.
203
528000
2000
per cui la resistenza agli antibiotici si è evoluta.
09:05
Some bacteriabatteri figuredfigurato out how to stayrestare away from penicillinpenicillina,
204
530000
3000
Alcuni batteri hanno capito come resistere alla penicillina
09:08
and it wentandato around sortordinare of creatingla creazione di its little DNADNA informationinformazione
205
533000
3000
e hanno cominciato a creare questa informazione via DNA
09:11
with other bacteriabatteri,
206
536000
2000
insieme ad altri batteri
09:13
and now we have a lot of bacteriabatteri that are resistantresistente to penicillinpenicillina,
207
538000
3000
e ora abbiamo molti batteri resistenti alla penicillina
09:16
because bacteriabatteri communicatecomunicare.
208
541000
2000
perché i batteri comunicano.
09:18
Now what this communicationcomunicazione allowedpermesso
209
543000
2000
Quello che questa comunicazione ha permesso
09:20
was communitiescomunità to formmodulo
210
545000
2000
è stata la formazione di comunità
09:22
that, in some sensesenso, were in the samestesso boatbarca togetherinsieme;
211
547000
2000
che, in un certo senso, erano sulla stessa barca,
09:24
they were synergisticsinergica.
212
549000
2000
erano sinergiche.
09:26
So they survivedsopravvissuto
213
551000
2000
Quindi sopravvivevano
09:28
or they failedfallito togetherinsieme,
214
553000
2000
o scomparivano insieme,
09:30
whichquale meanssi intende that if a communitycomunità was very successfulriuscito,
215
555000
2000
che vuol dire che se una comunità aveva successo
09:32
all the individualsindividui in that communitycomunità
216
557000
2000
tutti gli individui in quella comunità
09:34
were repeatedripetuto more
217
559000
2000
si sarebbero replicati di più
09:36
and they were favoredfavorito by evolutionEvoluzione.
218
561000
3000
e avrebbero avuto un vantaggio evolutivo.
09:39
Now the transitiontransizione pointpunto happenedè accaduto
219
564000
2000
Il punto di transizione è stato raggiunto
09:41
when these communitiescomunità got so closevicino
220
566000
2000
quando queste comunità divennero così unite
09:43
that, in factfatto, they got togetherinsieme
221
568000
2000
che, a tutti gli effetti,
09:45
and decideddeciso to writeScrivi down the wholetotale recipericetta for the communitycomunità
222
570000
3000
decisero di scrivere l'intera ricetta per la comunità
09:48
togetherinsieme on one stringstringa of DNADNA.
223
573000
3000
insieme, in una singola stringa di DNA.
09:51
And so the nextIl prossimo stagepalcoscenico that's interestinginteressante in life
224
576000
2000
Questo passo successivo interessante per la vita
09:53
tookha preso about anotherun altro billionmiliardo yearsanni.
225
578000
2000
richiese un altro miliardo di anni.
09:55
And at that stagepalcoscenico,
226
580000
2000
A quel punto
09:57
we have multi-cellularmulti-cellulare communitiescomunità,
227
582000
2000
abbiamo delle comunità multicellulari,
09:59
communitiescomunità of lots of differentdiverso typestipi of cellscellule,
228
584000
2000
comunità di molti tipi diversi di cellule,
10:01
workinglavoro togetherinsieme as a singlesingolo organismorganismo.
229
586000
2000
che lavorano insieme come un singolo organismo.
10:03
And in factfatto, we're suchcome a multi-cellularmulti-cellulare communitycomunità.
230
588000
3000
Noi siamo una comunità multicellulare di questo tipo.
10:06
We have lots of cellscellule
231
591000
2000
Abbiamo molte cellule
10:08
that are not out for themselvesloro stessi anymorepiù.
232
593000
2000
che non sono più isolate.
10:10
Your skinpelle cellcellula is really uselessinutili
233
595000
3000
Le cellule della pelle sono inutili
10:13
withoutsenza a heartcuore cellcellula, musclemuscolo cellcellula,
234
598000
2000
senza cellule cardiache, muscolari,
10:15
a braincervello cellcellula and so on.
235
600000
2000
celebrali e così via.
10:17
So these communitiescomunità beganiniziato to evolveevolvere
236
602000
2000
Queste comunità si sono evolute
10:19
so that the interestinginteressante levellivello on whichquale evolutionEvoluzione was takingpresa placeposto
237
604000
3000
fino al punto che il livello in cui l'evoluzione operava
10:22
was no longerpiù a lungo a cellcellula,
238
607000
2000
non era più quello cellulare,
10:24
but a communitycomunità whichquale we call an organismorganismo.
239
609000
3000
ma quello delle comunità che chiamiamo organismi.
10:28
Now the nextIl prossimo steppasso that happenedè accaduto
240
613000
2000
Il passo successivo avvenne
10:30
is withinentro these communitiescomunità.
241
615000
2000
all'interno di queste comunità.
10:32
These communitiescomunità of cellscellule,
242
617000
2000
Queste comunità di cellule
10:34
again, beganiniziato to abstractastratto informationinformazione.
243
619000
2000
cominciarono a loro volta ad astrarre informazioni.
10:36
And they beganiniziato buildingcostruzione very specialspeciale structuresstrutture
244
621000
3000
Cominciarono a costruire strutture particolari
10:39
that did nothing but processprocesso informationinformazione withinentro the communitycomunità.
245
624000
3000
che non facevano altro che processare informazioni nella comunità.
10:42
And those are the neuralneurale structuresstrutture.
246
627000
2000
Erano strutture neurali.
10:44
So neuronsneuroni are the informationinformazione processinglavorazione apparatusapparato
247
629000
3000
I neuroni sono l'apparato di elaborazione delle informazioni
10:47
that those communitiescomunità of cellscellule builtcostruito up.
248
632000
3000
che quelle comunità di cellule hanno costruito.
10:50
And in factfatto, they beganiniziato to get specialistsspecialisti in the communitycomunità
249
635000
2000
Poi cominciarono ad apparire gli specialisti nella comunità
10:52
and specialspeciale structuresstrutture
250
637000
2000
e strutture speciali
10:54
that were responsibleresponsabile for recordingregistrazione,
251
639000
2000
che erano responsabili di registrare,
10:56
understandingcomprensione, learningapprendimento informationinformazione.
252
641000
3000
capire e imparare le informazioni.
10:59
And that was the brainsmente and the nervousnervoso systemsistema
253
644000
2000
Erano il cervello e il sistema nervoso
11:01
of those communitiescomunità.
254
646000
2000
di quelle comunità.
11:03
And that gaveha dato them an evolutionaryevolutiva advantagevantaggio.
255
648000
2000
Questo diede loro un vantaggio evolutivo.
11:05
Because at that pointpunto,
256
650000
3000
Perché a quel punto,
11:08
an individualindividuale --
257
653000
3000
l'apprendimento
11:11
learningapprendimento could happenaccadere
258
656000
2000
poteva avvenire
11:13
withinentro the time spancampata of a singlesingolo organismorganismo,
259
658000
2000
nello spazio di una vita di un singolo organismo,
11:15
insteadanziché of over this evolutionaryevolutiva time spancampata.
260
660000
3000
invece che al ritmo evolutivo precedente.
11:18
So an organismorganismo could, for instanceesempio,
261
663000
2000
Un organismo poteva, per esempio,
11:20
learnimparare not to eatmangiare a certaincerto kindgenere of fruitfrutta
262
665000
2000
imparare a non mangiare un certo tipo di frutta
11:22
because it tastedassaggiato badcattivo and it got sickmalato last time it atemangiò it.
263
667000
4000
perché non era buono e l'ultima volta che l'aveva provato era stato male.
11:26
That could happenaccadere withinentro the lifetimetutta la vita of a singlesingolo organismorganismo,
264
671000
3000
Questo poteva avvenire nello spazio di una vita di un singolo organismo,
11:29
whereasmentre before they'davevano builtcostruito these specialspeciale informationinformazione processinglavorazione structuresstrutture,
265
674000
4000
mentre prima dell'avvento di queste strutture per l'elaborazione delle informazioni
11:33
that would have had to be learnedimparato evolutionarilyevolutivamente
266
678000
2000
questo si sarebbe dovuto imparare con l'evoluzione
11:35
over hundredscentinaia of thousandsmigliaia of yearsanni
267
680000
3000
nell'arco di centinaia di migliaia di anni
11:38
by the individualsindividui dyingsta morendo off that atemangiò that kindgenere of fruitfrutta.
268
683000
3000
da individui che morivano per aver mangiato quel frutto.
11:41
So that nervousnervoso systemsistema,
269
686000
2000
Quel sistema nervoso,
11:43
the factfatto that they builtcostruito these specialspeciale informationinformazione structuresstrutture,
270
688000
3000
il fatto di aver costruito quelle strutture speciali per le informazioni
11:46
tremendouslytremendamente spedaccelerato up the wholetotale processprocesso of evolutionEvoluzione.
271
691000
3000
ha accelerato tremendamente tutto il processo evolutivo.
11:49
Because evolutionEvoluzione could now happenaccadere withinentro an individualindividuale.
272
694000
3000
L'evoluzione poteva avvenire all'interno di un individuo.
11:52
It could happenaccadere in learningapprendimento time scalesbilancia.
273
697000
3000
Poteva avvenire semplicemente imparando.
11:55
But then what happenedè accaduto
274
700000
2000
Poi è accaduto
11:57
was the individualsindividui workedlavorato out,
275
702000
2000
che gli individui hanno imparato,
11:59
of coursecorso, trickstrucchi of communicatingcomunicare.
276
704000
2000
ovviamente, trucchi per comunicare.
12:01
And for exampleesempio,
277
706000
2000
L'esempio più sofisticato
12:03
the mostmaggior parte sophisticatedsofisticato versionversione that we're awareconsapevole of is humanumano languageLingua.
278
708000
3000
che conosciamo di questi trucchi è il linguaggio umano.
12:06
It's really a prettybella amazingStupefacente inventioninvenzione if you think about it.
279
711000
3000
È un'invenzione affascinante se ci pensate.
12:09
Here I have a very complicatedcomplicato, messydisordinato,
280
714000
2000
Qui ho un'idea in testa, molto complicata,
12:11
confusedconfuso ideaidea in my headcapo.
281
716000
3000
articolata e confusa.
12:14
I'm sittingseduta here makingfabbricazione gruntinggrugniti soundssuoni basicallyfondamentalmente,
282
719000
3000
Sto fermo qui praticamente grugnendo
12:17
and hopefullyfiduciosamente constructingcostruzione a similarsimile messydisordinato, confusedconfuso ideaidea in your headcapo
283
722000
3000
e sperando di costruire un'idea simile, confusa e articolata nella vostra testa
12:20
that bearsorsi some analogyanalogia to it.
284
725000
2000
che somigli un po' alla mia.
12:22
But we're takingpresa something very complicatedcomplicato,
285
727000
2000
Prendiamo qualcosa di molto complicato,
12:24
turningsvolta it into soundsuono, sequencessequenze of soundssuoni,
286
729000
3000
lo trasformiamo in suono, in sequenze di suoni
12:27
and producingproduzione something very complicatedcomplicato in your braincervello.
287
732000
4000
e produciamo qualcosa di molto complesso nel nostro cervello.
12:31
So this allowsconsente us now
288
736000
2000
Questo ci permette, ora,
12:33
to begininizio to startinizio functioningfunzionamento
289
738000
2000
di cominciare ad agire
12:35
as a singlesingolo organismorganismo.
290
740000
3000
come un singolo organismo.
12:38
And so, in factfatto, what we'venoi abbiamo donefatto
291
743000
3000
Quello che abbiamo fatto, in pratica,
12:41
is we, humanityumanità,
292
746000
2000
è che noi, l'umanità,
12:43
have startediniziato abstractingl'astrazione out.
293
748000
2000
abbiamo cominciato ad astrarci.
12:45
We're going throughattraverso the samestesso levelslivelli
294
750000
2000
Stiamo attraversando gli stessi livelli
12:47
that multi-cellularmulti-cellulare organismsorganismi have goneandato throughattraverso --
295
752000
2000
che hanno attraversato gli organismi multicellulari,
12:49
abstractingl'astrazione out our methodsmetodi of recordingregistrazione,
296
754000
3000
astraendo il nostro metodo di registrare,
12:52
presentingpresentando, processinglavorazione informationinformazione.
297
757000
2000
presentare ed elaborare le informazioni.
12:54
So for exampleesempio, the inventioninvenzione of languageLingua
298
759000
2000
L'invenzione del linguaggio, per esempio,
12:56
was a tinyminuscolo steppasso in that directiondirezione.
299
761000
3000
è un piccolo passo in quella direzione.
12:59
TelephonyTelefonia, computerscomputer,
300
764000
2000
Telefoni, computer,
13:01
videotapesvideocassette, CD-ROMsCD-ROM and so on
301
766000
3000
video, CD-ROM e così via
13:04
are all our specializedspecializzato mechanismsmeccanismi
302
769000
2000
sono tutti sofisticati meccanismi
13:06
that we'venoi abbiamo now builtcostruito withinentro our societysocietà
303
771000
2000
che abbiamo costruito nella nostra società
13:08
for handlingmaneggio that informationinformazione.
304
773000
2000
per trattare le informazioni.
13:10
And it all connectscollega us togetherinsieme
305
775000
3000
E ci connettono tutti insieme
13:13
into something
306
778000
2000
in qualcosa
13:15
that is much biggerpiù grande
307
780000
2000
che è molto più grande,
13:17
and much fasterPiù veloce
308
782000
2000
più veloce,
13:19
and ablecapace to evolveevolvere
309
784000
2000
e più capace di evolvere
13:21
than what we were before.
310
786000
2000
di quanto non fosse prima.
13:23
So now, evolutionEvoluzione can take placeposto
311
788000
2000
Ora l'evoluzione può avere luogo
13:25
on a scalescala of microsecondsmicrosecondi.
312
790000
2000
nell'arco di microsecondi.
13:27
And you saw Ty'sDi Ty little evolutionaryevolutiva exampleesempio
313
792000
2000
Avete visto il piccolo esempio evolutivo di Ty
13:29
where he sortordinare of did a little bitpo of evolutionEvoluzione
314
794000
2000
in cui ha applicato l'evoluzione
13:31
on the ConvolutionConvoluzione programprogramma right before your eyesocchi.
315
796000
3000
nel programma Convolution proprio davanti a voi.
13:34
So now we'venoi abbiamo speededvelocizzata up the time scalesbilancia onceuna volta again.
316
799000
3000
Abbiamo accelerato il progresso un'altra volta.
13:37
So the first stepspassaggi of the storystoria that I told you about
317
802000
2000
I primi passi della storia che vi ho raccontato
13:39
tookha preso a billionmiliardo yearsanni a piecepezzo.
318
804000
2000
hanno richiesto un miliardo di anni ciascuno.
13:41
And the nextIl prossimo stepspassaggi,
319
806000
2000
Quelli successivi,
13:43
like nervousnervoso systemssistemi and brainsmente,
320
808000
2000
come i sistemi nervosi e i cervelli,
13:45
tookha preso a fewpochi hundredcentinaio millionmilione yearsanni.
321
810000
2000
qualche centinaio di milioni di anni.
13:47
Then the nextIl prossimo stepspassaggi, like languageLingua and so on,
322
812000
3000
I passi successivi, linguaggio e così via,
13:50
tookha preso lessDi meno than a millionmilione yearsanni.
323
815000
2000
meno di un milione di anni.
13:52
And these nextIl prossimo stepspassaggi, like electronicselettronica,
324
817000
2000
Quelli seguenti, come l'elettronica,
13:54
seemsembrare to be takingpresa only a fewpochi decadesdecenni.
325
819000
2000
sembrano avvenire in pochi decenni.
13:56
The processprocesso is feedingalimentazione on itselfsi
326
821000
2000
Il processo si auto-alimenta
13:58
and becomingdiventando, I guessindovina, autocatalyticautocatalitica is the wordparola for it --
327
823000
3000
e diventa autocatalitico, credo sia questa la parola
14:01
when something reinforcesrinforzi its rateVota of changemodificare.
328
826000
3000
per qualcosa che rinforza il proprio tasso di cambiamento.
14:04
The more it changesi cambiamenti, the fasterPiù veloce it changesi cambiamenti.
329
829000
3000
Più cambia, più velocemente cambia.
14:07
And I think that that's what we're seeingvedendo here in this explosionesplosione of curvecurva.
330
832000
3000
Penso sia questo che stiamo osservando nell'esplosione della curva.
14:10
We're seeingvedendo this processprocesso feedingalimentazione back on itselfsi.
331
835000
3000
Osserviamo il processo che nutre sé stesso.
14:13
Now I designdesign computerscomputer for a livingvita,
332
838000
3000
Io progetto computer per lavoro
14:16
and I know that the mechanismsmeccanismi
333
841000
2000
e so che i meccanismi che uso
14:18
that I use to designdesign computerscomputer
334
843000
3000
per progettare i computer
14:21
would be impossibleimpossibile
335
846000
2000
sarebbe impossibile
14:23
withoutsenza recentrecente advancesavanzamenti in computerscomputer.
336
848000
2000
senza i recenti progressi fatti dai computer.
14:25
So right now, what I do
337
850000
2000
In questo momento,
14:27
is I designdesign objectsoggetti at suchcome complexitycomplessità
338
852000
3000
progetto oggetti di tale complessità
14:30
that it's really impossibleimpossibile for me to designdesign them in the traditionaltradizionale sensesenso.
339
855000
3000
che sarebbe impossibile progettarli in modo tradizionale.
14:33
I don't know what everyogni transistortransistor in the connectionconnessione machinemacchina does.
340
858000
4000
Io non so esattamente cosa faccia ogni singolo transistor.
14:37
There are billionsmiliardi of them.
341
862000
2000
Ce ne sono miliardi.
14:39
InsteadInvece, what I do
342
864000
2000
Invece, ciò che io
14:41
and what the designersprogettisti at ThinkingPensando MachinesMacchine do
343
866000
3000
e i progettisti a Thinking Machine facciamo
14:44
is we think at some levellivello of abstractionastrazione
344
869000
2000
è pensare ad un certo livello di astrazione,
14:46
and then we handmano it to the machinemacchina
345
871000
2000
poi passiamo la palla alla macchina
14:48
and the machinemacchina takes it beyondal di là what we could ever do,
346
873000
3000
e questa si spinge più in là di quanto mai potremmo noi,
14:51
much fartherpiù lontano and fasterPiù veloce than we could ever do.
347
876000
3000
più lontano e più velocemente di quanto potremmo noi.
14:54
And in factfatto, sometimesa volte it takes it by methodsmetodi
348
879000
2000
Qualche volta lo fa persino usando metodi
14:56
that we don't quiteabbastanza even understandcapire.
349
881000
3000
che non capiamo del tutto.
14:59
One methodmetodo that's particularlysoprattutto interestinginteressante
350
884000
2000
Un metodo che trovo molto interessante
15:01
that I've been usingutilizzando a lot latelyultimamente
351
886000
3000
e che di recente ho usato spesso
15:04
is evolutionEvoluzione itselfsi.
352
889000
2000
è l'evoluzione stessa.
15:06
So what we do
353
891000
2000
Quello che facciamo
15:08
is we put insidedentro the machinemacchina
354
893000
2000
è inserire nella macchina
15:10
a processprocesso of evolutionEvoluzione
355
895000
2000
un processo di evoluzione
15:12
that takes placeposto on the microsecondmicrosecondo time scalescala.
356
897000
2000
che si svolge in microsecondi.
15:14
So for exampleesempio,
357
899000
2000
Per esempio,
15:16
in the mostmaggior parte extremeestremo casescasi,
358
901000
2000
nei casi più estremi,
15:18
we can actuallyin realtà evolveevolvere a programprogramma
359
903000
2000
possiamo far evolvere un programma
15:20
by startingdi partenza out with randomcasuale sequencessequenze of instructionsIstruzioni.
360
905000
4000
partendo da sequenze casuali di istruzioni.
15:24
Say, "ComputerComputer, would you please make
361
909000
2000
Chiediamo al computer di creare
15:26
a hundredcentinaio millionmilione randomcasuale sequencessequenze of instructionsIstruzioni.
362
911000
3000
cento milioni di sequenze casuali di istruzioni.
15:29
Now would you please runcorrere all of those randomcasuale sequencessequenze of instructionsIstruzioni,
363
914000
3000
Poi di eseguire tutte quelle sequenze casuali,
15:32
runcorrere all of those programsprogrammi,
364
917000
2000
eseguire quei programmi,
15:34
and pickraccogliere out the onesquelli that cameè venuto closestpiù vicina to doing what I wanted."
365
919000
3000
e scegliere quelle che si avvicinano di più a quello che cercavo.
15:37
So in other wordsparole, I definedefinire what I wanted.
366
922000
2000
In altre parole, io decido cosa voglio.
15:39
Let's say I want to sortordinare numbersnumeri,
367
924000
2000
Diciamo che voglio ordinare dei numeri,
15:41
as a simplesemplice exampleesempio I've donefatto it with.
368
926000
2000
un esempio semplice che ho usato.
15:43
So find the programsprogrammi that come closestpiù vicina to sortingordinamento numbersnumeri.
369
928000
3000
Poi trovo i programmi che si avvicinano di più all'ordinare i numeri.
15:46
So of coursecorso, randomcasuale sequencessequenze of instructionsIstruzioni
370
931000
3000
Ovviamente, è molto improbabile che
15:49
are very unlikelyimprobabile to sortordinare numbersnumeri,
371
934000
2000
istruzioni casuali riescano a ordinare numeri,
15:51
so nonenessuna of them will really do it.
372
936000
2000
quindi nessuna sequenza lo fa davvero.
15:53
But one of them, by luckfortuna,
373
938000
2000
Ma una di esse, per puro caso,
15:55
maypuò put two numbersnumeri in the right orderordine.
374
940000
2000
potrebbe mettere due numeri nell'ordine giusto.
15:57
And I say, "ComputerComputer,
375
942000
2000
Allora dico al computer
15:59
would you please now take the 10 percentper cento
376
944000
3000
di prendere il 10 percento delle sequenze casuali
16:02
of those randomcasuale sequencessequenze that did the bestmigliore joblavoro.
377
947000
2000
che hanno fatto il lavoro migliore.
16:04
SaveSalva those. KillUccidere off the restriposo.
378
949000
2000
Salviamo quelle ed eliminiamo il resto.
16:06
And now let's reproduceriprodurre
379
951000
2000
Poi riproduciamo
16:08
the onesquelli that sortedordinato numbersnumeri the bestmigliore.
380
953000
2000
quelle che hanno ordinato meglio i numeri.
16:10
And let's reproduceriprodurre them by a processprocesso of recombinationri combinazione
381
955000
3000
E le riproduciamo tramite un processo di ricombinazione
16:13
analogousanaloga to sexsesso."
382
958000
2000
analogo al sesso.
16:15
Take two programsprogrammi and they produceprodurre childrenbambini
383
960000
3000
Prendete due programmi, essi produrranno figli
16:18
by exchanginglo scambio di theirloro subroutinessubroutine,
384
963000
2000
scambiandosi le subroutine,
16:20
and the childrenbambini inheritereditare the traitstratti of the subroutinessubroutine of the two programsprogrammi.
385
965000
3000
e i figli erediteranno i tratti delle subroutine dei due programmi.
16:23
So I've got now a newnuovo generationgenerazione of programsprogrammi
386
968000
3000
Ecco che ho una nuova generazione di programmi
16:26
that are producedprodotta by combinationscombinazioni
387
971000
2000
che sono prodotti dalla combinazione
16:28
of the programsprogrammi that did a little bitpo better joblavoro.
388
973000
2000
dei programmi che hanno fatto il lavoro migliore.
16:30
Say, "Please repeatripetere that processprocesso."
389
975000
2000
Ripetiamo il processo.
16:32
ScorePunteggio ottenuto them again.
390
977000
2000
Valutiamo di nuovo.
16:34
IntroduceIntrodurre some mutationsmutazioni perhapsForse.
391
979000
2000
Magari introduciamo qualche mutazione.
16:36
And try that again and do that for anotherun altro generationgenerazione.
392
981000
3000
Riproviamo per un'altra generazione.
16:39
Well everyogni one of those generationsgenerazioni just takes a fewpochi millisecondsmillisecondi.
393
984000
3000
Ognuna di quelle generazioni richiede qualche millisecondo.
16:42
So I can do the equivalentequivalente
394
987000
2000
Posso replicare l'equivalente
16:44
of millionsmilioni of yearsanni of evolutionEvoluzione on that
395
989000
2000
di milioni di anni di evoluzione su quei programmi
16:46
withinentro the computercomputer in a fewpochi minutesminuti,
396
991000
3000
all'interno del computer in pochi minuti,
16:49
or in the complicatedcomplicato casescasi, in a fewpochi hoursore.
397
994000
2000
o in poche ore nei casi più complicati.
16:51
At the endfine of that, I endfine up with programsprogrammi
398
996000
3000
Alla fine del processo avrò dei programmi
16:54
that are absolutelyassolutamente perfectperfezionare at sortingordinamento numbersnumeri.
399
999000
2000
che saranno perfetti nell'ordinare i numeri.
16:56
In factfatto, they are programsprogrammi that are much more efficientefficiente
400
1001000
3000
E sono programmi molto più efficienti
16:59
than programsprogrammi I could have ever writtenscritto by handmano.
401
1004000
2000
di qualsiasi programma scritto a mano.
17:01
Now if I look at those programsprogrammi,
402
1006000
2000
Se guardo questi programmi,
17:03
I can't tell you how they work.
403
1008000
2000
non so dirvi come funzionino.
17:05
I've triedprovato looking at them and tellingraccontare you how they work.
404
1010000
2000
Ho provato a capire come funzionino.
17:07
They're obscureoscurare, weirdstrano programsprogrammi.
405
1012000
2000
Sono programmi oscuri, strani.
17:09
But they do the joblavoro.
406
1014000
2000
Ma fanno il lavoro.
17:11
And in factfatto, I know, I'm very confidentfiducioso that they do the joblavoro
407
1016000
3000
Sono certo che faranno il lavoro
17:14
because they come from a linelinea
408
1019000
2000
perché vengono da una dinastia
17:16
of hundredscentinaia of thousandsmigliaia of programsprogrammi that did the joblavoro.
409
1021000
2000
di centinaia di migliaia di programmi che lo hanno fatto.
17:18
In factfatto, theirloro life dependeddipendeva on doing the joblavoro.
410
1023000
3000
In effetti, la loro vita dipendeva dal fare il lavoro.
17:21
(LaughterRisate)
411
1026000
4000
(Risate)
17:26
I was ridingequitazione in a 747
412
1031000
2000
Una volta ero su un jumbo
17:28
with MarvinMarvin MinskyMinsky onceuna volta,
413
1033000
2000
con Marvin Minsky,
17:30
and he pullstira out this cardcarta and saysdice, "Oh look. Look at this.
414
1035000
3000
lui tira fuori un biglietto ed esclama: "Guarda qui!
17:33
It saysdice, 'This' Questo planeaereo has hundredscentinaia of thousandsmigliaia of tinyminuscolo partsparti
415
1038000
4000
Dice 'Questo aereo è composto da migliaia di piccole parti
17:37
workinglavoro togetherinsieme to make you a safesicuro flightvolo.'
416
1042000
4000
che lavorano insieme per farvi volare sicuri.'
17:41
Doesn't that make you feel confidentfiducioso?"
417
1046000
2000
Ti fa sentire davvero sicuro?"
17:43
(LaughterRisate)
418
1048000
2000
(Risate)
17:45
In factfatto, we know that the engineeringingegneria processprocesso doesn't work very well
419
1050000
3000
Sappiamo che l'ingegneria non funziona proprio perfettamente
17:48
when it getsprende complicatedcomplicato.
420
1053000
2000
quando diventa complicata.
17:50
So we're beginninginizio to dependdipendere on computerscomputer
421
1055000
2000
Quindi stiamo cominciando a dipendere dai computer
17:52
to do a processprocesso that's very differentdiverso than engineeringingegneria.
422
1057000
4000
per processi che sono molto diversi dall'ingegneria.
17:56
And it letslascia us produceprodurre things of much more complexitycomplessità
423
1061000
3000
Questo ci permette di produrre oggetti di complessità molto maggiore
17:59
than normalnormale engineeringingegneria letslascia us produceprodurre.
424
1064000
2000
di quanto ci permetterebbe la normale ingegneria.
18:01
And yetancora, we don't quiteabbastanza understandcapire the optionsopzioni of it.
425
1066000
3000
Ma non capiamo perfettamente tutte le opzioni.
18:04
So in a sensesenso, it's gettingottenere aheadavanti of us.
426
1069000
2000
In un certo senso stiamo correndo troppo.
18:06
We're now usingutilizzando those programsprogrammi
427
1071000
2000
Ora stiamo usando quei programmi
18:08
to make much fasterPiù veloce computerscomputer
428
1073000
2000
per creare computer ancora più veloci
18:10
so that we'llbene be ablecapace to runcorrere this processprocesso much fasterPiù veloce.
429
1075000
3000
che eseguiranno quel processo ancora più velocemente.
18:13
So it's feedingalimentazione back on itselfsi.
430
1078000
3000
Si sta autoalimentando.
18:16
The thing is becomingdiventando fasterPiù veloce
431
1081000
2000
Il processo sta diventando più veloce
18:18
and that's why I think it seemssembra so confusingconfusione.
432
1083000
2000
e penso sia questo che ce lo fa sembrare confuso.
18:20
Because all of these technologiestecnologie are feedingalimentazione back on themselvesloro stessi.
433
1085000
3000
È il fatto che tutte queste tecnologie si autoalimentano.
18:23
We're takingpresa off.
434
1088000
2000
Stiamo decollando.
18:25
And what we are is we're at a pointpunto in time
435
1090000
3000
E siamo ad un punto della storia
18:28
whichquale is analogousanaloga to when single-celledunicellulare organismsorganismi
436
1093000
2000
che è analogo a quando gli organismi unicellulari
18:30
were turningsvolta into multi-celledpluricellulari organismsorganismi.
437
1095000
3000
stavano diventando organismi multicellulari.
18:33
So we're the amoebasamebe
438
1098000
2000
Siamo le amebe
18:35
and we can't quiteabbastanza figurefigura out what the hellinferno this thing is we're creatingla creazione di.
439
1100000
3000
che non riescono a capire bene che diamine stiamo creando.
18:38
We're right at that pointpunto of transitiontransizione.
440
1103000
2000
Siamo in quel punto preciso della transizione.
18:40
But I think that there really is something comingvenuta alonglungo after us.
441
1105000
3000
Penso che ci sia davvero qualcosa che verrà dopo di noi.
18:43
I think it's very haughtyaltero of us
442
1108000
2000
Credo sia molto arrogante da parte nostra
18:45
to think that we're the endfine productprodotto of evolutionEvoluzione.
443
1110000
3000
crederci il prodotto finale dell'evoluzione.
18:48
And I think all of us here
444
1113000
2000
E penso che tutti noi qui
18:50
are a partparte of producingproduzione
445
1115000
2000
abbiamo un ruolo nel produrre
18:52
whateverqualunque cosa that nextIl prossimo thing is.
446
1117000
2000
qualunque cosa sia quello che viene dopo di noi.
18:54
So lunchpranzo is comingvenuta alonglungo,
447
1119000
2000
Penso anche che sia ora di pranzo,
18:56
and I think I will stop at that pointpunto,
448
1121000
2000
quindi mi fermerò a questo punto,
18:58
before I get selectedselezionato out.
449
1123000
2000
prima di essere rimosso.
19:00
(ApplauseApplausi)
450
1125000
3000
(Applausi)
Translated by Alberto Pagani
Reviewed by Anna Cristiana Minoli

▲Back to top

ABOUT THE SPEAKER
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.

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.

More profile about the speaker
Danny Hillis | Speaker | TED.com