TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hills: Powrót do przyszłości (roku 1994)
Filmed:
Readability: 3.8
686,810 views
Z głębin archiwum TED, Danny Hills kreśli intrygującą teorię o tym jak i dlaczego postęp technologiczny zdaje się przyspieszać, nawiązując do ewolucji samego życia. Sposób prezentacji jest może nieco archaiczny, ale przedstawione idee są trafne jak nigdy.
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
Ponieważ zwykle próbuję
00:18
of trying to explain to people
1
3000
2000
wytłumaczyć ludziom
00:20
how wonderful the new technologies
2
5000
3000
jak wspaniałe będą
00:23
that are coming along are going to be,
3
8000
2000
nowe nadchodzące technologie,
00:25
and I thought that, since I was among friends here,
4
10000
3000
pomyślałem, że skoro jestem wśród przyjaciół,
00:28
I would tell you what I really think
5
13000
4000
powiem wam, co naprawdę myślę
00:32
and try to look back and try to understand
6
17000
2000
i spróbuję spojrzeć wstecz by zrozumieć
00:34
what is really going on here
7
19000
3000
o co naprawdę chodzi
00:37
with these amazing jumps in technology
8
22000
5000
z tymi niesamowitymi skokami w technologii
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
tak szybkimi, że trudno za nimi nadążyć.
00:45
So I'm going to start out
10
30000
2000
Zacznę więc od bardzo nudnego
00:47
by showing just one very boring technology slide.
11
32000
3000
technologicznego slajdu.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
A następnie - czy możemy włączyć slajd? -
00:56
This is just a random slide
13
41000
2000
To jest losowy slajd,
00:58
that I picked out of my file.
14
43000
2000
który wybrałem ze swojej teczki.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Istotne są nie tyle jego szczegóły,
01:03
but the general form of it.
16
48000
2000
co ogólny kształt.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Jest to wykres jakiejś analizy, którą robiliśmy,
01:08
about the power of RISC microprocessors
18
53000
3000
związanej z mocą procesorów RISC
01:11
versus the power of local area networks.
19
56000
3000
skorelowanej z mocą sieci LAN.
01:14
And the interesting thing about it
20
59000
2000
Interesujące jest to,
01:16
is that this slide,
21
61000
2000
że ten slajd,
01:18
like so many technology slides that we're used to,
22
63000
3000
podobnie jak wiele technologicznych slajdów,
01:21
is a sort of a straight line
23
66000
2000
jest wykresem linii prostej
01:23
on a semi-log curve.
24
68000
2000
na krzywej logarytmicznej.
01:25
In other words, every step here
25
70000
2000
Innymi słowy, każdy kolejny krok
01:27
represents an order of magnitude
26
72000
2000
oznacza następny rząd wielkości
01:29
in performance scale.
27
74000
2000
w skali wydajności.
01:31
And this is a new thing
28
76000
2000
I nowością jest,
01:33
that we talk about technology
29
78000
2000
że rozmawiamy o technologii
01:35
on semi-log curves.
30
80000
2000
w oparciu o krzywe logarytmiczne.
01:37
Something really weird is going on here.
31
82000
2000
Dzieje się coś bardzo dziwnego.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
I o tym właśnie chciałbym porozmawiać.
01:42
So, if you could bring up the lights.
33
87000
3000
Tak więc, jeżeli mogę prosić o więcej światła.
01:47
If you could bring up the lights higher,
34
92000
2000
Jeszcze trochę jaśniej proszę,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
ponieważ chciałbym użyć kartki papieru.
01:52
Now why do we draw technology curves
36
97000
2000
Dlaczego więc rysujemy technologię
01:54
in semi-log curves?
37
99000
2000
za pomocą krzywych logarytmicznych?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
Cóż, gdybym narysował ją normalnie,
01:59
where, let's say, this is years,
39
104000
2000
to są, powiedzmy, lata,
02:01
this is time of some sort,
40
106000
2000
jakiś rodzaj osi czasu,
02:03
and this is whatever measure of the technology
41
108000
3000
a to jakiś rodzaj mierzonej technologii
02:06
that I'm trying to graph,
42
111000
3000
którą próbuję nakreślić,
02:09
the graphs look sort of silly.
43
114000
3000
wykresy wyglądają raczej niepoważnie.
02:12
They sort of go like this.
44
117000
3000
Zazwyczaj jakoś tak.
02:15
And they don't tell us much.
45
120000
3000
I niewiele nam mówią.
02:18
Now if I graph, for instance,
46
123000
3000
Jeżeli chciałbym nakreślić, na przykład,
02:21
some other technology, say transportation technology,
47
126000
2000
coś innego, powiedzmy technologię transportu,
02:23
on a semi-log curve,
48
128000
2000
na krzywej logarytmicznej,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
wyglądała by ona bardzo głupio - jak prosta linia.
02:28
But when something like this happens,
50
133000
2000
Ale kiedy zdarza się coś takiego,
02:30
things are qualitatively changing.
51
135000
2000
jest to już zmiana jakościowa.
02:32
So if transportation technology
52
137000
2000
Więc jeśli technologia transportu
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
rozwijała by się tak szybko jak mikroprocesory,
02:37
then the day after tomorrow,
54
142000
2000
wtedy pojutrze,
02:39
I would be able to get in a taxi cab
55
144000
2000
mógłbym wsiąść w taksówkę
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
i być w Tokio w 30 sekund.
02:43
It's not moving like that.
57
148000
2000
Taki rozwój nie nastąpił.
02:45
And there's nothing precedented
58
150000
2000
Taki rodzaj samonapędzającego się rozwoju
02:47
in the history of technology development
59
152000
2000
o kolejny rząd wielkości co parę lat
02:49
of this kind of self-feeding growth
60
154000
2000
jest bezprecedensowy
02:51
where you go by orders of magnitude every few years.
61
156000
3000
w historii rozwoju technologii.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Pytanie, które chciałbym zadać brzmi,
02:57
if you look at these exponential curves,
63
162000
3000
jeżeli spojrzeć na te krzywe wykładnicze,
03:00
they don't go on forever.
64
165000
3000
nie rosną one w nieskończoność.
03:03
Things just can't possibly keep changing
65
168000
3000
Zmiany nie mogą długo zachodzić
03:06
as fast as they are.
66
171000
2000
w takim tempie.
03:08
One of two things is going to happen.
67
173000
3000
Stanie się więc jedna z dwóch rzeczy.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Albo zobaczymy klasyczną krzywą w kształcie S,
03:15
until something totally different comes along,
69
180000
4000
aż zdarzy się coś kompletnie nowego,
03:19
or maybe it's going to do this.
70
184000
2000
lub też stanie się coś takiego.
03:21
That's about all it can do.
71
186000
2000
I to są właściwie wszystkie możliwości.
03:23
Now I'm an optimist,
72
188000
2000
Jestem optymistą, więc myślę,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
że będzie to wyglądać mniej więcej tak.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Oznaczało by to, że jesteśmy właśnie
03:31
is a transition.
75
196000
2000
w okresie przejściowym.
03:33
We're sort of on this line
76
198000
2000
Jesteśmy na tym odcinku,
03:35
in a transition from the way the world used to be
77
200000
2000
w trakcie zmiany z tego jaki świat był,
03:37
to some new way that the world is.
78
202000
3000
do pewnej nowej formy, jaką przybiera.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
To, co próbuję ustalić, to pytanie, które sobie zadaję,
03:43
is what's this new way that the world is?
80
208000
3000
czym jest ta nowość w świecie?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Do jakiego nowego stanu dąży świat?
03:49
Because the transition seems very, very confusing
82
214000
3000
Ponieważ, ta zmiana może być bardzo niejasna
03:52
when we're right in the middle of it.
83
217000
2000
w czasie kiedy jesteśmy w jej trakcie.
03:54
Now when I was a kid growing up,
84
219000
3000
Kiedy dorastałem, przyszłość
03:57
the future was kind of the year 2000,
85
222000
3000
oznaczała rok 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
a ludzie mówili o tym, jak wtedy będzie.
04:04
Now here's a conference
87
229000
2000
Tutaj mamy konferencję, na której
04:06
in which people talk about the future,
88
231000
2000
mówimy o przyszłości i zauważmy,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
że przyszłość to ciągle mniej więcej rok 2000.
04:11
It's about as far as we go out.
90
236000
2000
Dalej nie wybiegamy.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Innymi słowy, przyszłość jakby kurczy się
04:16
one year per year
92
241000
3000
co roku o rok
04:19
for my whole lifetime.
93
244000
3000
przez całe moje życie.
04:22
Now I think that the reason
94
247000
2000
Myślę, jest tak dlatego
04:24
is because we all feel
95
249000
2000
że wszyscy czujemy,
04:26
that something's happening there.
96
251000
2000
że coś się dzieje.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Ta zmiana zachodzi. Wszyscy ją wyczuwamy.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
I mamy świadomość, że nie ma sensu
04:32
to think out 30, 50 years
99
257000
2000
wybiegać myślą 30 czy 50 lat do przodu,
04:34
because everything's going to be so different
100
259000
3000
bo wtedy wszystko będzie tak inne,
04:37
that a simple extrapolation of what we're doing
101
262000
2000
że prosta ekstrapolacja tego, co robimy dziś
04:39
just doesn't make any sense at all.
102
264000
3000
nie ma żadnego sensu.
04:42
So what I would like to talk about
103
267000
2000
Chciałbym więc porozmawiać,
04:44
is what that could be,
104
269000
2000
co mogło by to być,
04:46
what that transition could be that we're going through.
105
271000
3000
czym może być ta zachodząca właśnie zmiana.
04:49
Now in order to do that
106
274000
3000
Aby to zrobić
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
muszę wspomnieć o rzeczach,
04:54
that really has nothing to do
108
279000
2000
które nie mają nic wspólnego
04:56
with technology and computers.
109
281000
2000
z technologią czy komputerami,
04:58
Because I think the only way to understand this
110
283000
2000
Myślę, że jedynym sposobem na zrozumienie,
05:00
is to really step back
111
285000
2000
jest zrobić krok w tył
05:02
and take a long time scale look at things.
112
287000
2000
i spojrzeć z perspektywy dłuższego czasu.
05:04
So the time scale that I would like to look at this on
113
289000
3000
Skala czasu, w której chciałbym operować,
05:07
is the time scale of life on Earth.
114
292000
3000
to wiek życia na Ziemi.
05:13
So I think this picture makes sense
115
298000
2000
Myślę, że ten obraz nabiera sensu
05:15
if you look at it a few billion years at a time.
116
300000
4000
kiedy operujemy w miliardach lat.
05:19
So if you go back
117
304000
2000
Jeżeli cofniemy się
05:21
about two and a half billion years,
118
306000
2000
mniej więcej dwa i pół miliarda lat,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
Ziemia była wielkim, sterylnym kawałkiem skały
05:26
with a lot of chemicals floating around on it.
120
311000
3000
na której kłębiły się różne chemikalia.
05:29
And if you look at the way
121
314000
2000
I jeżeli spojrzymy na sposób
05:31
that the chemicals got organized,
122
316000
2000
w jaki te chemikalia organizowały się,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
zaczynamy rozumieć jak to się działo.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Są teorie, które wyjaśniają
05:39
about how it started with RNA,
125
324000
2000
jak powstało RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
ale ja opowiem to w uproszczeniu,
05:44
which is that, at that time,
127
329000
2000
czyli, że w tym czasie powszechnie
05:46
there were little drops of oil floating around
128
331000
3000
występowały kropelki oleju
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
zawierające różne chemikalia.
05:52
And some of those drops of oil
130
337000
2000
Niektóre z tych kropelek miały
05:54
had a particular combination of chemicals in them
131
339000
2000
określony skład powodujący
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
przyswajanie dodatkowych substancji
05:59
and grow the drops of oil.
133
344000
3000
i umożliwiając ich wzrost.
06:02
And those that were like that
134
347000
2000
I te, które miały takie właściwości,
06:04
started to split and divide.
135
349000
2000
zaczęły się dzielić.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Te małe krople oleju, były w zasadzie
06:09
those little drops of oil.
137
354000
2000
najbardziej prymitywną formą komórek.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Nie były one jednak żywe, w dzisiejszym rozumieniu,
06:14
because every one of them
139
359000
2000
bo każda z nich
06:16
was a little random recipe of chemicals.
140
361000
2000
miała przypadkowy skład chemiczny
06:18
And every time it divided,
141
363000
2000
i kiedy się dzieliła,
06:20
they got sort of unequal division
142
365000
3000
jej zawartość dzieliła się
06:23
of the chemicals within them.
143
368000
2000
niedokładnie.
06:25
And so every drop was a little bit different.
144
370000
3000
Tak więc każda z tych kropelek była nieco inna.
06:28
In fact, the drops that were different in a way
145
373000
2000
Kropelki inne w sposób, który
06:30
that caused them to be better
146
375000
2000
sprawiał, że były lepsze
06:32
at incorporating chemicals around them,
147
377000
2000
w przyswajaniu substancji z zewnątrz,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
rosły szybciej, przyswajały więcej i więcej się dzieliły.
06:37
So those tended to live longer,
149
382000
2000
Żyły więc dłużej,
06:39
get expressed more.
150
384000
3000
występowały częściej.
06:42
Now that's sort of just a very simple
151
387000
3000
Ta prosta, chemiczna
06:45
chemical form of life,
152
390000
2000
forma życia
06:47
but when things got interesting
153
392000
3000
stała się interesująca,
06:50
was when these drops
154
395000
2000
kiedy nasze kropelki
06:52
learned a trick about abstraction.
155
397000
3000
nauczyły się nieco abstrakcji.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
W jakiś sposób, którego jeszcze nie rozumiemy,
06:58
these little drops learned to write down information.
157
403000
3000
nauczyły się one zapisywać informacje.
07:01
They learned to record the information
158
406000
2000
Znalazły sposób aby zachować
07:03
that was the recipe of the cell
159
408000
2000
przepis na skład komórki
07:05
onto a particular kind of chemical
160
410000
2000
przy użyciu substancji
07:07
called DNA.
161
412000
2000
zwanej DNA.
07:09
So in other words, they worked out,
162
414000
2000
Innymi słowy, wykombinowały,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
w bezmyślny, ewolucyjny sposób,
07:14
a form of writing that let them write down what they were,
164
419000
3000
rodzaj alfabetu, którym opisywały, czym są,
07:17
so that that way of writing it down could get copied.
165
422000
3000
aby ten opis kopiować.
07:20
The amazing thing is that that way of writing
166
425000
3000
Niesamowite jest to, że ten alfabet
07:23
seems to have stayed steady
167
428000
2000
pozostał niezmienny od czasu
07:25
since it evolved two and a half billion years ago.
168
430000
2000
kiedy wyewoluował 2,5 miliarda lat temu.
07:27
In fact the recipe for us, our genes,
169
432000
3000
Właściwie nasz opis, nasze geny,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
są zapisane w dokładnie ten sam sposób.
07:33
In fact, every living creature is written
171
438000
3000
Opis każdego żywego organizmu jest zapisany
07:36
in exactly the same set of letters and the same code.
172
441000
2000
z pomocą tego samego kodu.
07:38
In fact, one of the things that I did
173
443000
2000
Postanowiłem zrobić coś
07:40
just for amusement purposes
174
445000
2000
wyłącznie dla zabawy,
07:42
is we can now write things in this code.
175
447000
2000
jako że potrafimy pisać tym kodem.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Mamy więc 100 mikrogramów białego proszku,
07:50
which I try not to let the security people see at airports.
177
455000
4000
którego nie pokazuję ochronie na lotniskach.
07:54
(Laughter)
178
459000
2000
(Śmiech)
07:56
But this has in it --
179
461000
2000
Zawiera on --
07:58
what I did is I took this code --
180
463000
2000
wziąłem ten kod --
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
składa się on z normalnych liter --
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
i napisałem swoją wizytówkę na odcinku DNA
08:06
and amplified it 10 to the 22 times.
183
471000
3000
powiększając go 10 do 22 razy.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Więc jeżeli ktoś chce sto milionów kopii mojej wizytówki,
08:12
I have plenty for everyone in the room,
185
477000
2000
mam zapas dla wszystkich na sali,
08:14
and, in fact, everyone in the world,
186
479000
2000
i, w sumie, wszystkich na świecie,
08:16
and it's right here.
187
481000
3000
oto one.
08:19
(Laughter)
188
484000
5000
(Śmiech)
08:26
If I had really been a egotist,
189
491000
2000
Jeżeli byłbym naprawdę egotystyczny,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
umieściłbym ją w wirusie i rozpylił na sali.
08:31
(Laughter)
191
496000
5000
(Śmiech)
08:39
So what was the next step?
192
504000
2000
Co dalej?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Zapis w DNA był interesującym krokiem.
08:43
And that caused these cells --
194
508000
2000
I to spowodowało, że komórki --
08:45
that kept them happy for another billion years.
195
510000
2000
to wystarczyło im na kolejny miliard lat.
08:47
But then there was another really interesting step
196
512000
2000
Ale potem nastąpił kolejny interesujący krok
08:49
where things became completely different,
197
514000
3000
który wszystko zmienił,
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
kiedy komórki zaczęły się komunikować i wymieniać informację,
08:55
so that they began to get communities of cells.
199
520000
2000
i powstały społeczności komórek.
08:57
I don't know if you know this,
200
522000
2000
Nie wiem, czy zdajecie sobie sprawę,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
ale bakterie również wymieniają DNA.
09:01
Now that's why, for instance,
202
526000
2000
Tak, na przykład, wyewoluowała
09:03
antibiotic resistance has evolved.
203
528000
2000
ich odporność na antybiotyki.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Niektóre bakterie nauczyły się unikać penicyliny
09:08
and it went around sort of creating its little DNA information
205
533000
3000
i zaczęły wymieniać tą wiedzę w formie DNA
09:11
with other bacteria,
206
536000
2000
z innymi bakteriami i tak teraz
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
mamy wiele bakterii odpornych na penicylinę,
09:16
because bacteria communicate.
208
541000
2000
ponieważ bakterie się komunikują.
09:18
Now what this communication allowed
209
543000
2000
Ta właśnie komunikacja pozwoliła
09:20
was communities to form
210
545000
2000
stworzyć społeczności które,
09:22
that, in some sense, were in the same boat together;
211
547000
2000
w pewnym sensie, były w tej samej sytuacji;
09:24
they were synergistic.
212
549000
2000
były synergiczne.
09:26
So they survived
213
551000
2000
W ten sposób mogły przeżyć
09:28
or they failed together,
214
553000
2000
lub zginąć razem, co oznacza,
09:30
which means that if a community was very successful,
215
555000
2000
że sukces społeczności powodował,
09:32
all the individuals in that community
216
557000
2000
że poszczególne jednostki
09:34
were repeated more
217
559000
2000
były częściej powielane
09:36
and they were favored by evolution.
218
561000
3000
i preferowane ewolucyjnie.
09:39
Now the transition point happened
219
564000
2000
Kolejny punkt zwrotny nastąpił
09:41
when these communities got so close
220
566000
2000
kiedy te grupy stały się tak zwarte,
09:43
that, in fact, they got together
221
568000
2000
że, w zasadzie, zaczęły opisywać
09:45
and decided to write down the whole recipe for the community
222
570000
3000
budowę całej społeczności razem,
09:48
together on one string of DNA.
223
573000
3000
na jednym odcinku DNA.
09:51
And so the next stage that's interesting in life
224
576000
2000
Ta następna interesująca część historii życia
09:53
took about another billion years.
225
578000
2000
trwała kolejny miliard lat,
09:55
And at that stage,
226
580000
2000
i doprowadziła do powstania
09:57
we have multi-cellular communities,
227
582000
2000
wielokomórkowych struktur,
09:59
communities of lots of different types of cells,
228
584000
2000
składających się z różnych typów komórek,
10:01
working together as a single organism.
229
586000
2000
pracujących jako jeden organizm.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
My też jesteśmy taką wielokomórkową społecznością.
10:06
We have lots of cells
231
591000
2000
Mamy wiele komórek
10:08
that are not out for themselves anymore.
232
593000
2000
które nie żyją już wyłącznie dla siebie.
10:10
Your skin cell is really useless
233
595000
3000
Komórka skóry jest bezużyteczna
10:13
without a heart cell, muscle cell,
234
598000
2000
bez komórki serca, mięśni,
10:15
a brain cell and so on.
235
600000
2000
mózgu itd.
10:17
So these communities began to evolve
236
602000
2000
Te społeczności ewoluowały
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
i interesujące zmiany nie następowały już
10:22
was no longer a cell,
238
607000
2000
na poziomie komórki,
10:24
but a community which we call an organism.
239
609000
3000
ale całej ich grupy, którą nazywamy organizmem.
10:28
Now the next step that happened
240
613000
2000
Następna zmiana nastąpiła
10:30
is within these communities.
241
615000
2000
już wewnątrz tych grup.
10:32
These communities of cells,
242
617000
2000
Rozpoczęły one wyodrębniać
10:34
again, began to abstract information.
243
619000
2000
informację i budować
10:36
And they began building very special structures
244
621000
3000
wyspecjalizowane struktury
10:39
that did nothing but process information within the community.
245
624000
3000
służące wyłącznie przetwarzaniu informacji,
10:42
And those are the neural structures.
246
627000
2000
czyli struktury neuronowe.
10:44
So neurons are the information processing apparatus
247
629000
3000
Neurony to narzędzie przetwarzania informacji,
10:47
that those communities of cells built up.
248
632000
3000
które zbudowały te społeczności.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Pojawiły się specjalistyczne struktury
10:52
and special structures
250
637000
2000
odpowiedzialne za
10:54
that were responsible for recording,
251
639000
2000
zachowanie, zrozumienie
10:56
understanding, learning information.
252
641000
3000
i przyswojenie informacji.
10:59
And that was the brains and the nervous system
253
644000
2000
To mózgi i systemy nerwowe
11:01
of those communities.
254
646000
2000
tych społeczności.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Tak zyskały ewolucyjną przewagę,
11:05
Because at that point,
256
650000
3000
ponieważ na tym etapie,
11:08
an individual --
257
653000
3000
nauka jednostki --
11:11
learning could happen
258
656000
2000
mogła zachodzić
11:13
within the time span of a single organism,
259
658000
2000
w czasie życia organizmu,
11:15
instead of over this evolutionary time span.
260
660000
3000
zamiast w skali zmian ewolucyjnych.
11:18
So an organism could, for instance,
261
663000
2000
Organizm mógł więc, na przykład,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
nauczyć się unikać pewnych owoców,
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
ponieważ źle smakowały i ostatnio po tym chorował.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Mogło się to zdarzyć w życiu pojedynczego organizmu,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
podczas gdy bez systemu nerwowego,
11:33
that would have had to be learned evolutionarily
266
678000
2000
ta nauka musiała by przebiegać w drodze ewolucji,
11:35
over hundreds of thousands of years
267
680000
3000
przez setki tysięcy lat, w formie eliminacji
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
jednostek jedzących ten rodzaj owoców.
11:41
So that nervous system,
269
686000
2000
W ten sposób system nerwowy,
11:43
the fact that they built these special information structures,
270
688000
3000
fakt wykształcenia tych specjalnych struktur,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
ogromnie przyspieszył proces ewolucji.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Dlatego, że mogła ona teraz zachodzić
11:52
It could happen in learning time scales.
273
697000
3000
w obrębie jednostki, przez naukę.
11:55
But then what happened
274
700000
2000
Następnie, poszczególne jednostki
11:57
was the individuals worked out,
275
702000
2000
znalazły sposób
11:59
of course, tricks of communicating.
276
704000
2000
na komunikację między sobą, której
12:01
And for example,
277
706000
2000
najbardziej zaawansowanym przykładem
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
jaki znamy, jest ludzki język.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Niesamowity wynalazek, gdy się nad tym zastanowić.
12:09
Here I have a very complicated, messy,
280
714000
2000
Oto mam skąplikowany i poplątany
12:11
confused idea in my head.
281
716000
3000
koncept w mojej głowie.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Siedząc tu, właściwie pochrząkując, staram się
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
poprzez analogię odtworzyć podobną
12:20
that bears some analogy to it.
284
725000
2000
pogmatwaną ideę w waszych głowach.
12:22
But we're taking something very complicated,
285
727000
2000
Rozpoczynając z czymś skomplikowanym,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
zamieniając to w sekwencję dźwięków,
12:27
and producing something very complicated in your brain.
287
732000
4000
tworzymy coś skomplikowanego w waszych mózgach.
12:31
So this allows us now
288
736000
2000
Ten proces pozwala nam
12:33
to begin to start functioning
289
738000
2000
funkcjonować jako
12:35
as a single organism.
290
740000
3000
pojedynczy organizm.
12:38
And so, in fact, what we've done
291
743000
3000
Tak więc, właściwie,
12:41
is we, humanity,
292
746000
2000
my, ludzkość,
12:43
have started abstracting out.
293
748000
2000
zaczęliśmy tworzyć pojęcia.
12:45
We're going through the same levels
294
750000
2000
Przechodzimy przez to samo,
12:47
that multi-cellular organisms have gone through --
295
752000
2000
przez co przechodziły wielokomórkowce --
12:49
abstracting out our methods of recording,
296
754000
3000
tworząc sposoby zapisu,
12:52
presenting, processing information.
297
757000
2000
prezentacji i przetwarzania informacji.
12:54
So for example, the invention of language
298
759000
2000
Na przykład wynalezienie języka,
12:56
was a tiny step in that direction.
299
761000
3000
było malutkim krokiem w tym kierunku.
12:59
Telephony, computers,
300
764000
2000
Telefonia, komputery,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
taśma video, CD-Rom itd.,
13:04
are all our specialized mechanisms
302
769000
2000
są naszymi mechanizmami
13:06
that we've now built within our society
303
771000
2000
które powstały w naszych społeczeństwach
13:08
for handling that information.
304
773000
2000
do obsługi informacji.
13:10
And it all connects us together
305
775000
3000
To wszystko łączy nas
13:13
into something
306
778000
2000
w coś znacznie większego
13:15
that is much bigger
307
780000
2000
i znacznie szybszego
13:17
and much faster
308
782000
2000
oraz zdolnego
13:19
and able to evolve
309
784000
2000
do ewolucji
13:21
than what we were before.
310
786000
2000
niż to, czym byliśmy wcześniej.
13:23
So now, evolution can take place
311
788000
2000
Ewolucja może teraz nastąpić
13:25
on a scale of microseconds.
312
790000
2000
w skali mikrosekund.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Pan Ty pokazał wam mały ewolucyjny przykład,
13:29
where he sort of did a little bit of evolution
314
794000
2000
kiedy uruchomił małą ewolucję na waszych oczach
13:31
on the Convolution program right before your eyes.
315
796000
3000
przy użyciu programu "Convolution".
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Ponownie więc przyspieszamy skalę czasu.
13:37
So the first steps of the story that I told you about
317
802000
2000
Pierwsze kroki, o których mówiliśmy,
13:39
took a billion years a piece.
318
804000
2000
trwały miliardy lat.
13:41
And the next steps,
319
806000
2000
Następne,
13:43
like nervous systems and brains,
320
808000
2000
jak system nerwowy i mózg,
13:45
took a few hundred million years.
321
810000
2000
zajęły kilkaset milionów.
13:47
Then the next steps, like language and so on,
322
812000
3000
Kolejne, czyli język itd.,
13:50
took less than a million years.
323
815000
2000
już poniżej miliona lat.
13:52
And these next steps, like electronics,
324
817000
2000
Ostatni etap, na przykład elektronika,
13:54
seem to be taking only a few decades.
325
819000
2000
wydaje się potrzebować kilku dekad.
13:56
The process is feeding on itself
326
821000
2000
Ten samonapędzający się proces, staje się
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
autokatalityczny, jak sądzę jest odpowiednim słowem --
14:01
when something reinforces its rate of change.
328
826000
3000
kiedy coś samo przyspiesza własne zmiany.
14:04
The more it changes, the faster it changes.
329
829000
3000
Im więcej się zmienia, tym są one szybsze.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
I wydaje mi się, że to dokładnie obserwujemy na naszej krzywej -
14:10
We're seeing this process feeding back on itself.
331
835000
3000
- samonapędzający się proces.
14:13
Now I design computers for a living,
332
838000
3000
Jako projektant komputerów,
14:16
and I know that the mechanisms
333
841000
2000
mam świadomość, że narzędzia,
14:18
that I use to design computers
334
843000
3000
których używam w swojej pracy,
14:21
would be impossible
335
846000
2000
nie mogły by istnieć
14:23
without recent advances in computers.
336
848000
2000
bez niedawnego postępu w komputerach.
14:25
So right now, what I do
337
850000
2000
To, co teraz projektuję,
14:27
is I design objects at such complexity
338
852000
3000
to obiekty tak skomplikowane,
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
że niemożliwe jest ich zaprojektowanie tradycyjnymi metodami.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Nie wiem, co robią poszczególne tranzystory w moich maszynach.
14:37
There are billions of them.
341
862000
2000
Są ich miliardy.
14:39
Instead, what I do
342
864000
2000
Zamiast tego, ja
14:41
and what the designers at Thinking Machines do
343
866000
3000
i projektanci w "Thinking Machines" staramy się
14:44
is we think at some level of abstraction
344
869000
2000
operować na pewnym poziomie abstrakcji
14:46
and then we hand it to the machine
345
871000
2000
a resztę przekazać maszynie
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
która pozwala nam robić rzeczy inaczej niemożliwe,
14:51
much farther and faster than we could ever do.
347
876000
3000
o wiele szybciej i łatwiej.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Czasem nawet robiąc to w sposób,
14:56
that we don't quite even understand.
349
881000
3000
którego sami do końca nie rozumiemy.
14:59
One method that's particularly interesting
350
884000
2000
Jedną z takich metod,
15:01
that I've been using a lot lately
351
886000
3000
którą ostatnio stosujemy,
15:04
is evolution itself.
352
889000
2000
jest sama ewolucja.
15:06
So what we do
353
891000
2000
Robimy to
15:08
is we put inside the machine
354
893000
2000
programując
15:10
a process of evolution
355
895000
2000
proces ewolucji
15:12
that takes place on the microsecond time scale.
356
897000
2000
w skali mikrosekundowej.
15:14
So for example,
357
899000
2000
Na przykład
15:16
in the most extreme cases,
358
901000
2000
w ekstremalnych przypadkach,
15:18
we can actually evolve a program
359
903000
2000
możemy ewoluować program,
15:20
by starting out with random sequences of instructions.
360
905000
4000
zaczynając od przypadkowego ciągu instrukcji.
15:24
Say, "Computer, would you please make
361
909000
2000
Mówimy, "Komputerze, wygeneruj proszę
15:26
a hundred million random sequences of instructions.
362
911000
3000
sto milionów przypadkowych sekwencji instrukcji.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Teraz uruchom je wszystkie,
15:32
run all of those programs,
364
917000
2000
uruchom te wszystkie programy,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
i wybierz te, których wynik jest najbliższy temu, czego szukam."
15:37
So in other words, I define what I wanted.
366
922000
2000
Innymi słowy, definiuję czego szukam.
15:39
Let's say I want to sort numbers,
367
924000
2000
Powiedzmy, na przykład,
15:41
as a simple example I've done it with.
368
926000
2000
że chcę posortować liczby.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Znajdź więc programy, które są najbliżej sortowania liczb.
15:46
So of course, random sequences of instructions
370
931000
3000
Jest mało prawdopodobne, aby przypadkowa
15:49
are very unlikely to sort numbers,
371
934000
2000
sekwencja instrukcji posortowała liczby,
15:51
so none of them will really do it.
372
936000
2000
także żadna z nich tego nie zrobi.
15:53
But one of them, by luck,
373
938000
2000
Ale może jedna z nich, przez przypadek,
15:55
may put two numbers in the right order.
374
940000
2000
ustawi dwie liczby w odpowiedniej kolejności.
15:57
And I say, "Computer,
375
942000
2000
Wtedy mówię, "Komputerze,
15:59
would you please now take the 10 percent
376
944000
3000
weź, proszę, 10% sekwencji które wykonały
16:02
of those random sequences that did the best job.
377
947000
2000
zadanie najlepiej.
16:04
Save those. Kill off the rest.
378
949000
2000
Zapisz je. Usuń resztę.
16:06
And now let's reproduce
379
951000
2000
Teraz rozmnóż te,
16:08
the ones that sorted numbers the best.
380
953000
2000
które sortują najlepiej,
16:10
And let's reproduce them by a process of recombination
381
955000
3000
przez proces rekombinacji,
16:13
analogous to sex."
382
958000
2000
analogiczny do seksu.
16:15
Take two programs and they produce children
383
960000
3000
Weź dwa programy i stwórz ich potomstwo
16:18
by exchanging their subroutines,
384
963000
2000
łącząc ich podprogramy, pozwalając
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
potomstwu dziedziczyć ich cechy.
16:23
So I've got now a new generation of programs
386
968000
3000
Mam więc nowe pokolenie programów,
16:26
that are produced by combinations
387
971000
2000
stworzonych z mieszanek programów
16:28
of the programs that did a little bit better job.
388
973000
2000
które wykonały relatywnie lepszą robotę.
16:30
Say, "Please repeat that process."
389
975000
2000
Mówię, "Proszę powtórz ten proces."
16:32
Score them again.
390
977000
2000
Oceniam je ponownie.
16:34
Introduce some mutations perhaps.
391
979000
2000
Być może wprowadzam mutacje.
16:36
And try that again and do that for another generation.
392
981000
3000
Następnie próbuję znowu, z kolejną generacją.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Każda z nich zajmuje jedynie kilka milisekund.
16:42
So I can do the equivalent
394
987000
2000
Mogę więc przeprowadzić odpowiednik
16:44
of millions of years of evolution on that
395
989000
2000
milionów lat ewolucji
16:46
within the computer in a few minutes,
396
991000
3000
w ciągu kilku minut lub,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
w skomplikowanych przypadkach, w kilka godzin.
16:51
At the end of that, I end up with programs
398
996000
3000
Na końcu otrzymuję programy, które są
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
absolutnie perfekcyjne w sortowaniu liczb.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
Tak naprawdę, są o wiele bardziej wydajne
16:59
than programs I could have ever written by hand.
401
1004000
2000
niż programy napisane ręcznie.
17:01
Now if I look at those programs,
402
1006000
2000
Kiedy patrzę na te programy,
17:03
I can't tell you how they work.
403
1008000
2000
nie mogę powiedzieć, jak działają.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Próbowałem je czytać i mówić ludziom jak działają.
17:07
They're obscure, weird programs.
405
1012000
2000
To są niejasne, dziwne programy.
17:09
But they do the job.
406
1014000
2000
Ale działają.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Wiem, jestem pewien, że wykonują swoją funkcję
17:14
because they come from a line
408
1019000
2000
bo pochodzą z rodu setek tysięcy
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
programów, które ją wykonywały.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Od tego zależało ich życie.
17:21
(Laughter)
411
1026000
4000
(Śmiech)
17:26
I was riding in a 747
412
1031000
2000
Leciałem kiedyś 747
17:28
with Marvin Minsky once,
413
1033000
2000
z Marvinem Minskym
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
on wyciąga ulotkę i mówi, "Zobacz. Tu jest napisane,
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
że 'Ten samolot ma setki tysięcy malutkich części
17:37
working together to make you a safe flight.'
416
1042000
4000
pracujących razem aby twój lot był bezpieczny.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Czy nie czujesz się pewniej?"
17:43
(Laughter)
418
1048000
2000
(Śmiech)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Wiemy, że inżynieria nie działa zbyt dobrze,
17:48
when it gets complicated.
420
1053000
2000
kiedy staje się skomplikowana.
17:50
So we're beginning to depend on computers
421
1055000
2000
Zaczynamy więc polegać na komputerowych
17:52
to do a process that's very different than engineering.
422
1057000
4000
procesach odmiennych od inżynierii,
17:56
And it lets us produce things of much more complexity
423
1061000
3000
które pozwalają nam produkować rzeczy o wiele bardziej
17:59
than normal engineering lets us produce.
424
1064000
2000
skomplikowane niż inżynieria.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
A jednocześnie, nie do końca rozumiemy ich możliwości.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
W pewnym sensie, wyprzedza nas to.
18:06
We're now using those programs
427
1071000
2000
Używamy tych programów
18:08
to make much faster computers
428
1073000
2000
do produkcji szybszych komputerów
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
aby jeszcze przyspieszyć cały proces.
18:13
So it's feeding back on itself.
430
1078000
3000
Samonapędzający się proces,
18:16
The thing is becoming faster
431
1081000
2000
przebiegający coraz szybciej
18:18
and that's why I think it seems so confusing.
432
1083000
2000
i dlatego coraz bardziej niejasny.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Ponieważ wszystkie te technologie napędzają się same.
18:23
We're taking off.
434
1088000
2000
Startujemy.
18:25
And what we are is we're at a point in time
435
1090000
3000
I to, czym jesteśmy, moment w którym jesteśmy,
18:28
which is analogous to when single-celled organisms
436
1093000
2000
jest analogiczny do momentu, kiedy jednokomórkowce
18:30
were turning into multi-celled organisms.
437
1095000
3000
łączyły się w organizmy wielokomórkowe.
18:33
So we're the amoebas
438
1098000
2000
Jesteśmy jak ameby,
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
które nie mogą do końca ogarnąć tego, co tworzą.
18:38
We're right at that point of transition.
440
1103000
2000
Znajdujemy się w punkcie zwrotnym.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Myślę jednak, że po nas przyjdzie jeszcze coś innego.
18:43
I think it's very haughty of us
442
1108000
2000
Jest zarozumiałym myślenie
18:45
to think that we're the end product of evolution.
443
1110000
3000
że jesteśmy ostatecznym produktem ewolucji.
18:48
And I think all of us here
444
1113000
2000
Uważam, że my wszyscy
18:50
are a part of producing
445
1115000
2000
bierzemy udział w tworzeniu
18:52
whatever that next thing is.
446
1117000
2000
następnej rzeczy, czymkolwiek jest.
18:54
So lunch is coming along,
447
1119000
2000
Zbliża się lunch,
18:56
and I think I will stop at that point,
448
1121000
2000
więc myślę, że tutaj skończę,
18:58
before I get selected out.
449
1123000
2000
zanim zostanę "odrzucony".
19:00
(Applause)
450
1125000
3000
(Oklaski)
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