TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Terug naar de toekomst (van 1994)
Filmed:
Readability: 3.8
686,810 views
Vanaf een plek diep in het TED-archief, beschrijft Danny Hillis een intrigerende theorie over hoe en waarom technologische verandering lijkt te versnellen, door deze te koppelen aan de evolutie van het leven zelf. De presentatiemiddelen die hij gebruikt mogen gedateerd overkomen, zijn ideeën echter zijn onverminderd relevant.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
Because I usually take the role
0
0
3000
...want ik ben doorgaans
00:18
of trying to explain to people
1
3000
2000
mensen aan het vertellen
00:20
how wonderful the new technologies
2
5000
3000
hoe geweldig de nieuwe technologieën gaan zijn,
00:23
that are coming along are going to be,
3
8000
2000
die we nu zien,
00:25
and I thought that, since I was among friends here,
4
10000
3000
en ik dacht: aangezien ik hier onder vrienden ben,
00:28
I would tell you what I really think
5
13000
4000
wil ik jullie vertellen wat ik écht denk.
00:32
and try to look back and try to understand
6
17000
2000
Ik ga terugkijken en trachten te begrijpen
00:34
what is really going on here
7
19000
3000
wat er werkelijk aan het gebeuren is
00:37
with these amazing jumps in technology
8
22000
5000
met de verbijsterende sprongen in technologie
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
die zo snel gaan dat we ze nauwelijks bij kunnen houden.
00:45
So I'm going to start out
10
30000
2000
Allereerst zal ik jullie
00:47
by showing just one very boring technology slide.
11
32000
3000
één enkele zeer saaie dia laten zien.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Als je de dia even wilt laten zien...
00:56
This is just a random slide
13
41000
2000
Dit is een willekeurige dia
00:58
that I picked out of my file.
14
43000
2000
die ik uit een map haalde.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Ik wil jullie niet zozeer de details van de dia laten zien,
01:03
but the general form of it.
16
48000
2000
maar de algehele vorm ervan.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Dit is toevallig een dia van een analyse die we deden
01:08
about the power of RISC microprocessors
18
53000
3000
over de kracht van RISC-microprocessoren
01:11
versus the power of local area networks.
19
56000
3000
versus de kracht van 'local area networks'.
01:14
And the interesting thing about it
20
59000
2000
Het interessante ervan
01:16
is that this slide,
21
61000
2000
is dat deze dia,
01:18
like so many technology slides that we're used to,
22
63000
3000
zoals zoveel technologie-dia's die we zien,
01:21
is a sort of a straight line
23
66000
2000
een rechte lijn is
01:23
on a semi-log curve.
24
68000
2000
op een semilogaritmische schaal.
01:25
In other words, every step here
25
70000
2000
Met andere woorden, de schaalverdeling
01:27
represents an order of magnitude
26
72000
2000
vertegenwoordigt hier een orde van grootte
01:29
in performance scale.
27
74000
2000
in prestatie.
01:31
And this is a new thing
28
76000
2000
Dit is iets nieuws,
01:33
that we talk about technology
29
78000
2000
dat we over technologie praten
01:35
on semi-log curves.
30
80000
2000
op een semilogaritmische schaal.
01:37
Something really weird is going on here.
31
82000
2000
Er gebeurt hier iets vreemds.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
Dat is waarover ik het wil hebben.
01:42
So, if you could bring up the lights.
33
87000
3000
Als het licht weer even aan kan.
01:47
If you could bring up the lights higher,
34
92000
2000
Doe nog maar wat meer licht,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
want ik ga enkel een stuk papier gebruiken.
01:52
Now why do we draw technology curves
36
97000
2000
Waarom tekenen we technologie-diagrammen
01:54
in semi-log curves?
37
99000
2000
op een semilogaritmische schaal?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
Het antwoord is: met een normale schaalverdeling
01:59
where, let's say, this is years,
39
104000
2000
waarbij deze as
02:01
this is time of some sort,
40
106000
2000
het tijdsverloop aangeeft,
02:03
and this is whatever measure of the technology
41
108000
3000
en deze as de maateenheid van technologie
02:06
that I'm trying to graph,
42
111000
3000
die ik probeer weer te geven,
02:09
the graphs look sort of silly.
43
114000
3000
ziet de curve er enigszins belachelijk uit.
02:12
They sort of go like this.
44
117000
3000
Ongeveer zoiets...
02:15
And they don't tell us much.
45
120000
3000
...en ze geven niet veel informatie.
02:18
Now if I graph, for instance,
46
123000
3000
Als ik nu, bijvoorbeeld,
02:21
some other technology, say transportation technology,
47
126000
2000
een andere technologie, transporttechnologie,
02:23
on a semi-log curve,
48
128000
2000
op een semilogaritmische schaal teken,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
zou het er stom uitzien: een horizontale lijn.
02:28
But when something like this happens,
50
133000
2000
Maar als er iets als dit gebeurt,
02:30
things are qualitatively changing.
51
135000
2000
veranderen dingen kwalitatief.
02:32
So if transportation technology
52
137000
2000
Dus als transporttechnologie
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
zo snel ontwikkelde als microprocessor-technologie,
02:37
then the day after tomorrow,
54
142000
2000
dan zou ik overmorgen
02:39
I would be able to get in a taxi cab
55
144000
2000
in een taxi kunnen stappen
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
en in 30 seconden in Tokyo kunnen zijn.
02:43
It's not moving like that.
57
148000
2000
Zo gaat die ontwikkeling niet.
02:45
And there's nothing precedented
58
150000
2000
Er zijn ook geen precedenten
02:47
in the history of technology development
59
152000
2000
in de geschiedenis van technologische ontwikkeling
02:49
of this kind of self-feeding growth
60
154000
2000
van dit soort zelf-versterkende groei
02:51
where you go by orders of magnitude every few years.
61
156000
3000
met ordes van grootte, elke paar jaar.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Nu is de vraag die ik wil stellen --
02:57
if you look at these exponential curves,
63
162000
3000
als je naar deze exponentiële curves kijkt,
03:00
they don't go on forever.
64
165000
3000
kunnen die niet zo doorgaan.
03:03
Things just can't possibly keep changing
65
168000
3000
Dingen kunnen zich niet zo snel
03:06
as fast as they are.
66
171000
2000
blijven ontwikkelen als nu.
03:08
One of two things is going to happen.
67
173000
3000
Eén van twee dingen gebeurt.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Ofwel het verandert in een soort klassieke S-curve als dit,
03:15
until something totally different comes along,
69
180000
4000
tot er iets anders gebeurt,
03:19
or maybe it's going to do this.
70
184000
2000
of misschien doet het dit.
03:21
That's about all it can do.
71
186000
2000
Dat is het zo'n beetje.
03:23
Now I'm an optimist,
72
188000
2000
Nou ben ik een optimist,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
dus ik denk dat het zoiets gaat doen.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Zo ja, dan betekent dat dat we momenteel middenin
03:31
is a transition.
75
196000
2000
een overgangsfase zitten.
03:33
We're sort of on this line
76
198000
2000
We zitten op deze lijn,
03:35
in a transition from the way the world used to be
77
200000
2000
in een transitie van de oude wereld,
03:37
to some new way that the world is.
78
202000
3000
naar een nieuwe wereld.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Dus wat ik probeer te vragen, wat ik mezelf afvroeg,
03:43
is what's this new way that the world is?
80
208000
3000
is: hoe ziet die nieuwe wereld eruit?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Wat is die nieuwe staat waarnaar de wereld op weg is?
03:49
Because the transition seems very, very confusing
82
214000
3000
Want de transitie is zeer verwarrend
03:52
when we're right in the middle of it.
83
217000
2000
als je er middenin zit.
03:54
Now when I was a kid growing up,
84
219000
3000
Toen ik opgroeide als kind
03:57
the future was kind of the year 2000,
85
222000
3000
was de toekomst zo'n beetje het jaar 2000
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
en mensen spraken over wat er in het jaar 2000 zou gebeuren.
04:04
Now here's a conference
87
229000
2000
Nu is hier een conferentie
04:06
in which people talk about the future,
88
231000
2000
waar mensen praten over de toekomst
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
en dan zie je dat de toekomst nog steeds het jaar 2000 is.
04:11
It's about as far as we go out.
90
236000
2000
Dat is zover als we kijken.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Met andere woorden: de toekomst is min of meer gekrompen
04:16
one year per year
92
241000
3000
met één jaar per jaar
04:19
for my whole lifetime.
93
244000
3000
gedurende mijn hele leven.
04:22
Now I think that the reason
94
247000
2000
Ik denk dat de reden
04:24
is because we all feel
95
249000
2000
is dat we allemaal voelen
04:26
that something's happening there.
96
251000
2000
dat er iets gaande is.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Die transitie is gaande. We kunnen het allemaal voelen.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
En we weten dat het gewoon zinloos is
04:32
to think out 30, 50 years
99
257000
2000
om 30, 50 jaar vooruit te denken
04:34
because everything's going to be so different
100
259000
3000
omdat alles zo anders gaat zijn
04:37
that a simple extrapolation of what we're doing
101
262000
2000
dat een simpele extrapolatie van wat we doen
04:39
just doesn't make any sense at all.
102
264000
3000
simpelweg onzinnig lijkt.
04:42
So what I would like to talk about
103
267000
2000
Dus ik wil het hebben over
04:44
is what that could be,
104
269000
2000
wat zou kunnen zijn,
04:46
what that transition could be that we're going through.
105
271000
3000
door wat voor soort transitie we gaan.
04:49
Now in order to do that
106
274000
3000
Om dat te doen moet ik
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
het hebben over wat dingen
04:54
that really has nothing to do
108
279000
2000
die iets te maken hebben
04:56
with technology and computers.
109
281000
2000
met technologie en computers.
04:58
Because I think the only way to understand this
110
283000
2000
Want ik denk dat de enige manier om dit te begrijpen
05:00
is to really step back
111
285000
2000
is om achteruit te stappen
05:02
and take a long time scale look at things.
112
287000
2000
en een lange-termijnblik te werpen op de dingen.
05:04
So the time scale that I would like to look at this on
113
289000
3000
De tijdschaal waarop ik dat zou willen doen
05:07
is the time scale of life on Earth.
114
292000
3000
is de tijdschaal van leven op Aarde.
05:13
So I think this picture makes sense
115
298000
2000
Ik denk dat dit beeld zinnig is
05:15
if you look at it a few billion years at a time.
116
300000
4000
als je enkele miljarden jaren bekijkt.
05:19
So if you go back
117
304000
2000
Als je ongeveer
05:21
about two and a half billion years,
118
306000
2000
2½ miljard jaar teruggaat,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
was de Aarde een grote, steriele brok steen
05:26
with a lot of chemicals floating around on it.
120
311000
3000
waar een hoop chemicaliën op vloeiden.
05:29
And if you look at the way
121
314000
2000
Als je kijkt naar de manier waarop
05:31
that the chemicals got organized,
122
316000
2000
die chemicaliën zich organiseerden --
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
krijgen we een behoorlijk goed idee hoe ze dat deden.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Ik denk dat er theorieën zijn die beginnen te begrijpen
05:39
about how it started with RNA,
125
324000
2000
hoe het begon met RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
maar ik vertel de eenvoudige versie.
05:44
which is that, at that time,
127
329000
2000
Destijds waren er
05:46
there were little drops of oil floating around
128
331000
3000
kleine druppels olie die zich bewogen
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
met allerlei verschillende samenstellingen van chemicaliën daarin.
05:52
And some of those drops of oil
130
337000
2000
Sommige van die druppels olie
05:54
had a particular combination of chemicals in them
131
339000
2000
hadden een bijzondere combinatie van chemicaliën
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
die ervoor zorgde dat ze chemicaliën van buiten opnamen
05:59
and grow the drops of oil.
133
344000
3000
zodat de oliedruppels groeiden.
06:02
And those that were like that
134
347000
2000
De druppels die zo waren,
06:04
started to split and divide.
135
349000
2000
begonnen zich te delen.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Dit waren de meest primitieve vormen van cellen,
06:09
those little drops of oil.
137
354000
2000
deze kleine oliedruppels.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Maar deze oliedruppels leefden niet echt,
06:14
because every one of them
139
359000
2000
want ieder van hen
06:16
was a little random recipe of chemicals.
140
361000
2000
was een willekeurige verzameling chemicaliën.
06:18
And every time it divided,
141
363000
2000
Elke keer dat ze zich splitsten
06:20
they got sort of unequal division
142
365000
3000
kreeg je een ongelijke verdeling
06:23
of the chemicals within them.
143
368000
2000
van chemicaliën binnen hen.
06:25
And so every drop was a little bit different.
144
370000
3000
Dus elke druppel was een beetje anders.
06:28
In fact, the drops that were different in a way
145
373000
2000
De druppels die anders waren, zodanig
06:30
that caused them to be better
146
375000
2000
dat ze beter waren in het
06:32
at incorporating chemicals around them,
147
377000
2000
opnemen van chemicaliën rondom hen,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
groeiden meer en namen meer chemicaliën op en splitsten meer.
06:37
So those tended to live longer,
149
382000
2000
Dus doorgaans leefden zij langer,
06:39
get expressed more.
150
384000
3000
en waren meer vertegenwoordigd.
06:42
Now that's sort of just a very simple
151
387000
3000
Nu is dit nog maar een eenvoudige
06:45
chemical form of life,
152
390000
2000
chemische levensvorm,
06:47
but when things got interesting
153
392000
3000
maar het werd interessant
06:50
was when these drops
154
395000
2000
toen deze druppels
06:52
learned a trick about abstraction.
155
397000
3000
een abstracte truc leerden.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
We begrijpen niet echt hoe, maar
06:58
these little drops learned to write down information.
157
403000
3000
deze druppels leerden informatie noteren.
07:01
They learned to record the information
158
406000
2000
Ze leerden de informatie
07:03
that was the recipe of the cell
159
408000
2000
die het recept van de cel inhield,
07:05
onto a particular kind of chemical
160
410000
2000
noteren op een speciaal soort chemische stof
07:07
called DNA.
161
412000
2000
genaamd DNA.
07:09
So in other words, they worked out,
162
414000
2000
Met andere woorden: ze ontdekten
07:11
in this mindless sort of evolutionary way,
163
416000
3000
op deze gedachteloze evolutionaire manier,
07:14
a form of writing that let them write down what they were,
164
419000
3000
een schrijfstijl waarmee ze konden optekenen wat ze waren,
07:17
so that that way of writing it down could get copied.
165
422000
3000
zodat die manier van noteren kon worden gekopieerd.
07:20
The amazing thing is that that way of writing
166
425000
3000
Verbazingwekkend is dat deze notatiewijze
07:23
seems to have stayed steady
167
428000
2000
hetzelfde lijkt te zijn gebleven
07:25
since it evolved two and a half billion years ago.
168
430000
2000
sinds ze ontwikkeld werd, 2½ miljard jaar geleden.
07:27
In fact the recipe for us, our genes,
169
432000
3000
In feite is het recept voor ons, onze genen,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
exact dezelfde code en manier van noteren.
07:33
In fact, every living creature is written
171
438000
3000
Elk levend wezen is genoteerd
07:36
in exactly the same set of letters and the same code.
172
441000
2000
in exact dezelfde set letters en dezelfde code.
07:38
In fact, one of the things that I did
173
443000
2000
Eén van de dingen die ik deed --
07:40
just for amusement purposes
174
445000
2000
gewoon voor de lol, is...
07:42
is we can now write things in this code.
175
447000
2000
...we kunnen nu dingen opschrijven in deze code.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Ik heb hier 100 microgram wit poeder,
07:50
which I try not to let the security people see at airports.
177
455000
4000
dat ik verberg voor beveiligingsmensen op vliegvelden.
07:54
(Laughter)
178
459000
2000
(Gelach)
07:56
But this has in it --
179
461000
2000
Maar hierin zit --
07:58
what I did is I took this code --
180
463000
2000
ik nam de code --
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
de code heeft standaard letters waarmee we die symboliseren --
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
en schreef mijn visitekaartje op een stukje DNA
08:06
and amplified it 10 to the 22 times.
183
471000
3000
en vermenigvuldigde het 10 tot de 22e maal.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Dus als iemand honderd miljoen stuks van mijn visitekaartje wil;
08:12
I have plenty for everyone in the room,
185
477000
2000
ik heb genoeg voor iedereen hier,
08:14
and, in fact, everyone in the world,
186
479000
2000
voor iedereen op de wereld, in feite.
08:16
and it's right here.
187
481000
3000
Het zit hierin.
08:19
(Laughter)
188
484000
5000
(Gelach)
08:26
If I had really been a egotist,
189
491000
2000
Als ik echt een egoïst was geweest,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
had ik het in een virus gestopt en in de ruimte verspreid.
08:31
(Laughter)
191
496000
5000
(Gelach)
08:39
So what was the next step?
192
504000
2000
Wat was de volgende stap?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Het opschrijven van het DNA was een interessante stap.
08:43
And that caused these cells --
194
508000
2000
Dat hield ze bezig
08:45
that kept them happy for another billion years.
195
510000
2000
gedurende nog eens miljard jaar.
08:47
But then there was another really interesting step
196
512000
2000
Maar toen was er een andere heel interessante stap
08:49
where things became completely different,
197
514000
3000
waarin dingen totaal anders werden.
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
Deze cellen begonnen informatie uit te wisselen,
08:55
so that they began to get communities of cells.
199
520000
2000
zodat ze gemeenschappen van cellen vormden.
08:57
I don't know if you know this,
200
522000
2000
Ik weet niet of je dit weet,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
maar bacteriën kunnen DNA uitwisselen.
09:01
Now that's why, for instance,
202
526000
2000
Dat is bijvoorbeeld hoe
09:03
antibiotic resistance has evolved.
203
528000
2000
antibiotische resistentie is ontstaan.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Eén bacterie vond een manier om penicilline te vermijden
09:08
and it went around sort of creating its little DNA information
205
533000
3000
en die communiceerde zijn DNA-informatie
09:11
with other bacteria,
206
536000
2000
naar andere bacteriën,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
en nu hebben we veel bacteriën die resistent zijn tegen penicilline
09:16
because bacteria communicate.
208
541000
2000
...omdat bacteriën communiceren.
09:18
Now what this communication allowed
209
543000
2000
Deze communicatie maakte het ontstaan
09:20
was communities to form
210
545000
2000
van gemeenschappen mogelijk,
09:22
that, in some sense, were in the same boat together;
211
547000
2000
die, in zekere zin, samen in één schuitje zaten;
09:24
they were synergistic.
212
549000
2000
ze waren synergetisch.
09:26
So they survived
213
551000
2000
Dus ze overleefden
09:28
or they failed together,
214
553000
2000
of ze faalden samen,
09:30
which means that if a community was very successful,
215
555000
2000
wat betekent dat in een succesvolle gemeenschap
09:32
all the individuals in that community
216
557000
2000
alle individuen van die gemeenschap
09:34
were repeated more
217
559000
2000
meer vermenigvuldigden
09:36
and they were favored by evolution.
218
561000
3000
en evolutionair succesvol waren.
09:39
Now the transition point happened
219
564000
2000
Het omslagpunt kwam, toen
09:41
when these communities got so close
220
566000
2000
deze gemeenschappen zo hecht werden
09:43
that, in fact, they got together
221
568000
2000
dat ze feitelijk gezamenlijk
09:45
and decided to write down the whole recipe for the community
222
570000
3000
besloten om het recept voor de hele gemeenschap te noteren
09:48
together on one string of DNA.
223
573000
3000
op één keten DNA.
09:51
And so the next stage that's interesting in life
224
576000
2000
En het volgende levensstadium
09:53
took about another billion years.
225
578000
2000
duurde nog eens miljard jaar.
09:55
And at that stage,
226
580000
2000
In die periode
09:57
we have multi-cellular communities,
227
582000
2000
hebben we meercellige gemeenschappen,
09:59
communities of lots of different types of cells,
228
584000
2000
bestaande uit veel verschillende typen cellen,
10:01
working together as a single organism.
229
586000
2000
die samenwerken als één organisme.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
In feite zijn wij zo'n meercellige gemeenschap.
10:06
We have lots of cells
231
591000
2000
We hebben veel cellen
10:08
that are not out for themselves anymore.
232
593000
2000
die niet meer voor zichzelf gaan.
10:10
Your skin cell is really useless
233
595000
3000
Je huidcel is waardeloos zonder
10:13
without a heart cell, muscle cell,
234
598000
2000
een hartcel, spiercel,
10:15
a brain cell and so on.
235
600000
2000
hersencel enzovoort...
10:17
So these communities began to evolve
236
602000
2000
Dus deze gemeenschappen ontwikkelden zich
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
zodat het niveau waarop evolutie zich afspeelde
10:22
was no longer a cell,
238
607000
2000
niet langer een cel was,
10:24
but a community which we call an organism.
239
609000
3000
maar een gemeenschap genaamd 'organisme'.
10:28
Now the next step that happened
240
613000
2000
De volgende stap gebeurde
10:30
is within these communities.
241
615000
2000
binnen deze gemeenschappen.
10:32
These communities of cells,
242
617000
2000
Deze gemeenschappen van cellen
10:34
again, began to abstract information.
243
619000
2000
begonnen weer informatie te vergaren.
10:36
And they began building very special structures
244
621000
3000
Ze bouwden speciale structuren
10:39
that did nothing but process information within the community.
245
624000
3000
die niets anders deden dan informatie verwerken in de gemeenschap.
10:42
And those are the neural structures.
246
627000
2000
Dat zijn de neurale structuren.
10:44
So neurons are the information processing apparatus
247
629000
3000
Dus neuronen zijn het informatieverwerkingsapparaat
10:47
that those communities of cells built up.
248
632000
3000
dat die gemeenschappen van cellen bouwden.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Ze ontwikkelden specialisten
10:52
and special structures
250
637000
2000
en speciale structuren
10:54
that were responsible for recording,
251
639000
2000
die verantwoordelijk waren voor het opslaan,
10:56
understanding, learning information.
252
641000
3000
begrijpen, leren van informatie.
10:59
And that was the brains and the nervous system
253
644000
2000
Dat waren de hersenen en het zenuwstelsel
11:01
of those communities.
254
646000
2000
van die gemeenschappen.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Dat gaf ze een evolutionair voordeel.
11:05
Because at that point,
256
650000
3000
Want in dat stadium
11:08
an individual --
257
653000
3000
kon een individu --
11:11
learning could happen
258
656000
2000
kon leren plaatsvinden
11:13
within the time span of a single organism,
259
658000
2000
binnen de tijdsspanne van één organisme,
11:15
instead of over this evolutionary time span.
260
660000
3000
in plaats van over een evolutionaire tijdsspanne.
11:18
So an organism could, for instance,
261
663000
2000
Dus een organisme leerde bijvoorbeeld
11:20
learn not to eat a certain kind of fruit
262
665000
2000
om een bepaalde fruitsoort te vermijden
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
omdat die slecht smaakte en hij er ziek van werd.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Dat kon nu binnen de levensduur van een enkel organisme,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
terwijl voordat ze deze speciale informatieverwerkingsstructuren bouwden,
11:33
that would have had to be learned evolutionarily
266
678000
2000
dit op evolutionaire wijze geleerd moest worden
11:35
over hundreds of thousands of years
267
680000
3000
gedurende honderdduizenden jaren,
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
doordat individuen doodgingen als ze die vrucht aten.
11:41
So that nervous system,
269
686000
2000
Dus dat zenuwstelsel,
11:43
the fact that they built these special information structures,
270
688000
3000
het feit dat ze deze speciale informatiestructuren bouwden,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
versnelde het evolutieproces buitengewoon.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Want evolutie kon nu plaatsvinden binnen een individu.
11:52
It could happen in learning time scales.
273
697000
3000
Het kon gebeuren in leer-tijdsschalen.
11:55
But then what happened
274
700000
2000
Maar toen verzonnen
11:57
was the individuals worked out,
275
702000
2000
de individuen trucjes
11:59
of course, tricks of communicating.
276
704000
2000
om te communiceren.
12:01
And for example,
277
706000
2000
Bijvoorbeeld, de meest
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
verfijnde versie die we kennen is de menselijke taal.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Het is een ongelofelijke uitvinding, als je erover nadenkt.
12:09
Here I have a very complicated, messy,
280
714000
2000
Hier heb ik een zeer gecompliceerd,
12:11
confused idea in my head.
281
716000
3000
warrig idee in mijn hoofd...
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Ik zit dan min of meer knorrende geluiden te maken,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
wat hopelijk een gecompliceerd, warrig idee in jullie hoofd oproept,
12:20
that bears some analogy to it.
284
725000
2000
dat er gelijkenis mee vertoont.
12:22
But we're taking something very complicated,
285
727000
2000
We nemen iets zeer gecompliceerds,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
veranderen dat in geluiden, reeksen geluiden,
12:27
and producing something very complicated in your brain.
287
732000
4000
en produceren iets zeer gecompliceerds in je hersenen.
12:31
So this allows us now
288
736000
2000
Dus hierdoor kunnen we
12:33
to begin to start functioning
289
738000
2000
beginnen te functioneren
12:35
as a single organism.
290
740000
3000
als een enkel organisme.
12:38
And so, in fact, what we've done
291
743000
3000
In feite zijn wij,
12:41
is we, humanity,
292
746000
2000
de mensheid,
12:43
have started abstracting out.
293
748000
2000
begonnen met abstraheren.
12:45
We're going through the same levels
294
750000
2000
We gaan door eenzelfde periode
12:47
that multi-cellular organisms have gone through --
295
752000
2000
als die meercellige organismen --
12:49
abstracting out our methods of recording,
296
754000
3000
en abstraheren onze methoden van optekenen,
12:52
presenting, processing information.
297
757000
2000
presenteren en verwerken van informatie.
12:54
So for example, the invention of language
298
759000
2000
Dus bijvoorbeeld, de uitvinding van taal
12:56
was a tiny step in that direction.
299
761000
3000
was een kleine stap in die richting.
12:59
Telephony, computers,
300
764000
2000
Telefonie, computers,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
videotapes, CD-ROMs enzovoort...
13:04
are all our specialized mechanisms
302
769000
2000
zijn onze gespecialiseerde mechanismen
13:06
that we've now built within our society
303
771000
2000
die we in onze gemeenschap hebben gebouwd
13:08
for handling that information.
304
773000
2000
voor het omgaan met die informatie.
13:10
And it all connects us together
305
775000
3000
Deze dingen verbinden ons
13:13
into something
306
778000
2000
tot iets dat
13:15
that is much bigger
307
780000
2000
veel groter is,
13:17
and much faster
308
782000
2000
en veel sneller,
13:19
and able to evolve
309
784000
2000
en beter in staat te evolueren
13:21
than what we were before.
310
786000
2000
dan wij voorheen waren.
13:23
So now, evolution can take place
311
788000
2000
Nu kan evolutie plaatsvinden
13:25
on a scale of microseconds.
312
790000
2000
op een schaal van microseconden.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Je zag Ty's evolutionaire voorbeeldje
13:29
where he sort of did a little bit of evolution
314
794000
2000
waarin hij met evolutie speelde
13:31
on the Convolution program right before your eyes.
315
796000
3000
in het Convolutie-programma, vlak voor je ogen.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Nu hebben we de tijdsschaal nogmaals versneld.
13:37
So the first steps of the story that I told you about
317
802000
2000
De eerste stappen van het verhaal waarover ik het had
13:39
took a billion years a piece.
318
804000
2000
duurden een miljard jaar per geval.
13:41
And the next steps,
319
806000
2000
De volgende stukken,
13:43
like nervous systems and brains,
320
808000
2000
zoals zenuwstelsels en hersenen,
13:45
took a few hundred million years.
321
810000
2000
duurden enkele honderden miljoenen jaren.
13:47
Then the next steps, like language and so on,
322
812000
3000
De daaropvolgende stappen, taal en zo,
13:50
took less than a million years.
323
815000
2000
duurden minder dan een miljoen jaar.
13:52
And these next steps, like electronics,
324
817000
2000
En deze volgende stappen, zoals elektronica,
13:54
seem to be taking only a few decades.
325
819000
2000
duren schijnbaar slechts enkele decennia.
13:56
The process is feeding on itself
326
821000
2000
Het proces voedt zichzelf
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
en wordt -- ik geloof dat auto-katalytisch het juiste woord is --
14:01
when something reinforces its rate of change.
328
826000
3000
als iets zijn eigen tempo van verandering versnelt.
14:04
The more it changes, the faster it changes.
329
829000
3000
Hoe meer het verandert, des te sneller verandert het.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Ik denk dat we dat zien in de explosie van deze curve.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
We zien het proces zichzelf versterken.
14:13
Now I design computers for a living,
332
838000
3000
Ik ontwerp computers voor de kost,
14:16
and I know that the mechanisms
333
841000
2000
en ik weet dat de mechanismen
14:18
that I use to design computers
334
843000
3000
die ik gebruik om computers te ontwerpen
14:21
would be impossible
335
846000
2000
onmogelijk zouden zijn
14:23
without recent advances in computers.
336
848000
2000
zonder recente ontwikkelingen in computers.
14:25
So right now, what I do
337
850000
2000
momenteel ontwerp ik
14:27
is I design objects at such complexity
338
852000
3000
objecten met zulk een complexiteit
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
dat ik ze onmogelijk op conventionele wijze kon ontwerpen.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Ik weet niet wat elke transistor in de verbindingsmachine doet.
14:37
There are billions of them.
341
862000
2000
Er zijn er miljarden.
14:39
Instead, what I do
342
864000
2000
In plaats daarvan
14:41
and what the designers at Thinking Machines do
343
866000
3000
denken ik en de ontwerpers bij 'Thinking Machines'
14:44
is we think at some level of abstraction
344
869000
2000
op enig niveau van abstractie,
14:46
and then we hand it to the machine
345
871000
2000
en dan geven we het aan de machine
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
en de machine maakt het tot iets wat we nooit zouden kunnen,
14:51
much farther and faster than we could ever do.
347
876000
3000
veel verder en sneller dan wij ooit zouden kunnen.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Soms gebruikt ze methoden
14:56
that we don't quite even understand.
349
881000
3000
die wij niet eens begrijpen.
14:59
One method that's particularly interesting
350
884000
2000
Een bijzonder interessante methode
15:01
that I've been using a lot lately
351
886000
3000
die ik recentelijk veel gebruikte
15:04
is evolution itself.
352
889000
2000
is evolutie zelf.
15:06
So what we do
353
891000
2000
Daarbij gebruiken we
15:08
is we put inside the machine
354
893000
2000
de machine
15:10
a process of evolution
355
895000
2000
voor een proces van evolutie
15:12
that takes place on the microsecond time scale.
356
897000
2000
dat zich op de schaal van microseconden afspeelt.
15:14
So for example,
357
899000
2000
Bijvoorbeeld:
15:16
in the most extreme cases,
358
901000
2000
in de meest extreme gevallen
15:18
we can actually evolve a program
359
903000
2000
kunnen we een programma ontwikkelen
15:20
by starting out with random sequences of instructions.
360
905000
4000
door te beginnen met een willekeurige serie instructies.
15:24
Say, "Computer, would you please make
361
909000
2000
Dus: "Computer, maak alsjeblieft
15:26
a hundred million random sequences of instructions.
362
911000
3000
honderd miljoen willekeurige instructie-reeksen.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Dan draai al die willekeurige instructie-reeksen,
15:32
run all of those programs,
364
917000
2000
draai al die programma's,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
en kies die die het beste voldeden aan mijn wensen."
15:37
So in other words, I define what I wanted.
366
922000
2000
Dus met andere woorden, ik definieer wat ik wil.
15:39
Let's say I want to sort numbers,
367
924000
2000
Laten we zeggen ik wil getallen sorteren,
15:41
as a simple example I've done it with.
368
926000
2000
als eenvoudig voorbeeld van wat ik gedaan heb.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Dus: vind de programma's die het dichtst komen bij getallen sorteren.
15:46
So of course, random sequences of instructions
370
931000
3000
Uiteraard zullen willekeurige reeksen instructies
15:49
are very unlikely to sort numbers,
371
934000
2000
niet snel getallen sorteren,
15:51
so none of them will really do it.
372
936000
2000
dus geen van hen voldoet werkelijk.
15:53
But one of them, by luck,
373
938000
2000
Maar één van hen heeft toevallig
15:55
may put two numbers in the right order.
374
940000
2000
wellicht twee getallen in de juiste volgorde gezet.
15:57
And I say, "Computer,
375
942000
2000
Dan zeg ik: "Computer,
15:59
would you please now take the 10 percent
376
944000
3000
neem de 10% van de reeksen
16:02
of those random sequences that did the best job.
377
947000
2000
die het beste resutaat geven.
16:04
Save those. Kill off the rest.
378
949000
2000
Bewaar die. Dump de andere.
16:06
And now let's reproduce
379
951000
2000
Nu reproduceer de reeksen
16:08
the ones that sorted numbers the best.
380
953000
2000
die getallen het beste sorteerden.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Reproduceer ze via een proces van hercombinatie
16:13
analogous to sex."
382
958000
2000
dat analoog is aan seks."
16:15
Take two programs and they produce children
383
960000
3000
Twee programma's produceren kinderen
16:18
by exchanging their subroutines,
384
963000
2000
door hun subroutines uit te wisselen,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
en de kinderen erven de eigenschappen van die gemengde subroutines.
16:23
So I've got now a new generation of programs
386
968000
3000
Dus nu heb ik een nieuwe generatie programma's
16:26
that are produced by combinations
387
971000
2000
die geproduceerd zijn door combinatie
16:28
of the programs that did a little bit better job.
388
973000
2000
van alle programma's met een wat beter resultaat.
16:30
Say, "Please repeat that process."
389
975000
2000
Dan zeg ik: "Herhaal dit proces."
16:32
Score them again.
390
977000
2000
Beoordeel ze nogmaals.
16:34
Introduce some mutations perhaps.
391
979000
2000
Introduceer wellicht wat mutaties.
16:36
And try that again and do that for another generation.
392
981000
3000
Probeer dat nogmaals voor nog een generatie.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Elk van deze generaties ontstaat in enkele milliseconden.
16:42
So I can do the equivalent
394
987000
2000
Dus ik kan het equivalent
16:44
of millions of years of evolution on that
395
989000
2000
van miljoenen jaren van evolutie hierin,
16:46
within the computer in a few minutes,
396
991000
3000
laten plaatsvinden binnen enkele minuten,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
of in de ingewikkelde gevallen, enkele uren.
16:51
At the end of that, I end up with programs
398
996000
3000
Aan het eind hiervan, heb ik programma's
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
die absoluut perfect getallen sorteren.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
In feite zijn die programma's veel efficiënter
16:59
than programs I could have ever written by hand.
401
1004000
2000
dan programma's die ik zelf had kunnen schrijven.
17:01
Now if I look at those programs,
402
1006000
2000
Als ik naar die programma's kijk,
17:03
I can't tell you how they work.
403
1008000
2000
snap ik niet hoe ze werken.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Ik heb geprobeerd er wijs uit te worden.
17:07
They're obscure, weird programs.
405
1012000
2000
Het zijn obscure, vreemde programma's.
17:09
But they do the job.
406
1014000
2000
Maar ze doen hun werk.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Ik ben er zeker van dat ze hun werk doen
17:14
because they come from a line
408
1019000
2000
omdat ze uit een geslacht komen
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
van honderdduizenden programma's die hun werk deden.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Hun leven hing ervan af.
17:21
(Laughter)
411
1026000
4000
(Gelach)
17:26
I was riding in a 747
412
1031000
2000
Ik zat ooit in een 747
17:28
with Marvin Minsky once,
413
1033000
2000
met Marvin Minsky,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
en hij haalt een kaart tevoorschijn en zegt: "O, kijk eens.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Hier staat: 'Dit vliegtuig heeft honderduizenden kleine delen
17:37
working together to make you a safe flight.'
416
1042000
4000
die samenwerken om je een veilige vlucht te bezorgen.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Geeft je dat geen zeker gevoel?"
17:43
(Laughter)
418
1048000
2000
(Gelach)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
We weten dat het technische ontwerpproces niet erg goed werkt
17:48
when it gets complicated.
420
1053000
2000
als het gecompliceerd wordt.
17:50
So we're beginning to depend on computers
421
1055000
2000
Dus beginnen we op computers te vertrouwen
17:52
to do a process that's very different than engineering.
422
1057000
4000
voor een proces dat heel anders is dan technisch ontwerp.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Daarmee kunnen we veel gecompliceerder dingen maken
17:59
than normal engineering lets us produce.
424
1064000
2000
dan we met normaal technisch ontwerp kunnen.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Toch begrijpen we niet echt de opties die het geeft.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Dus in zekere zin haalt het ons in.
18:06
We're now using those programs
427
1071000
2000
We gebruiken nu die programma's
18:08
to make much faster computers
428
1073000
2000
om veel snellere computers te maken
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
zodat we dit proces veel sneller kunnen uitvoeren.
18:13
So it's feeding back on itself.
430
1078000
3000
Dus het versterkt zichzelf.
18:16
The thing is becoming faster
431
1081000
2000
Het wordt steeds sneller
18:18
and that's why I think it seems so confusing.
432
1083000
2000
en daarom lijkt het denk ik zo verwarrend.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Omdat al deze technologieën zichzelf versterken.
18:23
We're taking off.
434
1088000
2000
We worden gelanceerd.
18:25
And what we are is we're at a point in time
435
1090000
3000
En we zitten op een tijdstip dat analoog is aan
18:28
which is analogous to when single-celled organisms
436
1093000
2000
toen eencellige organismen
18:30
were turning into multi-celled organisms.
437
1095000
3000
veranderden in meercellige organismen.
18:33
So we're the amoebas
438
1098000
2000
Dus wij zijn de amoebes
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
en we kunnen niet bedenken wat dit ding is dat we creëren.
18:38
We're right at that point of transition.
440
1103000
2000
We zitten precies op dat punt van transitie.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Maar ik denk dat er echt iets na ons gaat komen.
18:43
I think it's very haughty of us
442
1108000
2000
Ik denk dat het erg hoogmoedig is om te denken
18:45
to think that we're the end product of evolution.
443
1110000
3000
dat wij het eindproduct van evolutie zijn.
18:48
And I think all of us here
444
1113000
2000
En ik denk dat wij allemaal
18:50
are a part of producing
445
1115000
2000
deel zijn van de creatie
18:52
whatever that next thing is.
446
1117000
2000
van dat nieuwe ding.
18:54
So lunch is coming along,
447
1119000
2000
Maar nu gaan we lunchen,
18:56
and I think I will stop at that point,
448
1121000
2000
dus ik denk dat ik het hierbij laat,
18:58
before I get selected out.
449
1123000
2000
voordat ik weggeselecteerd word.
19:00
(Applause)
450
1125000
3000
(Applaus)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com