ABOUT THE SPEAKER
Nicolas Perony - Animal scientist
Nicolas Perony models the movement of animal groups to understand: what is the individual behavior that guides the behavior of the larger society?

Why you should listen

Nicolas Perony started his career as a roboticist. But after one of his robots -- which was designed to follow a white line -- destroyed itself because of a lighting snafu on demo day, he realized that he was less interested in creating complicated robots and more interested in studying the complexity that already exists out there in the animal kingdom. He quickly changed course and is now a quantitative scientist at the Chair of Systems Design at ETH Zurich, where he studies the structure and dynamics of animal societies.

Perony conducts his research by placing GPS collars on animals like Bechstein's bats and meerkats, and studying the spacial data of the group. He creates models of the movement over time to see patterns. He then tries to ascertain at the simple rules that individuals in the animal group seem to be following that, when done en masse, result in the larger flow. In other words, he looks at the underlying mechanics that lead to the collective movement of animal groups.

More profile about the speaker
Nicolas Perony | Speaker | TED.com
TEDxZurich 2013

Nicolas Perony: Puppies! Now that I’ve got your attention, complexity theory

Nicolas Perony: Psiaki! Skoro przykułem już waszą uwagę, pomówmy o teorii złożoności

Filmed:
1,021,641 views

Zachowanie zwierząt nie jest skomplikowane, lecz złożone. Nicolas Perony bada, w jaki sposób jeden osobnik, czy to terier szkocki, nietoperz, czy surykatka, stosuje się do prostych zasad, które zastosowane w grupie, stwarzają większe możliwości zachowań. A także, w jaki sposób ta złożoność zrodzona z prostoty może pomagać w przystosowaniu się do nowych warunków.
- Animal scientist
Nicolas Perony models the movement of animal groups to understand: what is the individual behavior that guides the behavior of the larger society? Full bio

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

Nauka
00:15
ScienceNauka,
0
3393
1228
00:16
sciencenauka has alloweddozwolony us to know so much
1
4621
3337
pozwala nam dowiedzieć się
00:19
about the fardaleko reachessięga of the universewszechświat,
2
7958
3026
tak wiele o wszechświecie
00:22
whichktóry is at the samepodobnie time tremendouslyniesamowicie importantważny
3
10984
3195
który jest dla nas bardzo ważny
00:26
and extremelyniezwykle remotezdalny,
4
14179
2066
choć jest też niesamowicie odległy,
00:28
and yetjeszcze much, much closerbliższy,
5
16245
2459
ale nadal bliższy niż się wydaje
00:30
much more directlybezpośrednio relatedzwiązane z to us,
6
18704
2091
i jesteśmy z nim bezpośrednio związani.
00:32
there are manywiele things we don't really understandzrozumieć.
7
20795
2468
Jednak wielu rzeczy nie rozumiemy.
00:35
And one of them is the extraordinaryniezwykły
8
23263
2129
Jedną z nich
jest niebywała
złożoność społeczna zwierząt.
00:37
socialspołeczny complexityzłożoność of the animalszwierzęta around us,
9
25392
3326
00:40
and todaydzisiaj I want to tell you a fewkilka storieshistorie
10
28718
2016
Opowiem wam dziś kilka historii
00:42
of animalzwierzę complexityzłożoność.
11
30734
2008
o zwierzęcej złożoności.
00:44
But first, what do we call complexityzłożoność?
12
32742
3350
Na wstępie - czym jest złożoność?
00:48
What is complexzłożony?
13
36092
1487
Co znaczy złożony?
00:49
Well, complexzłożony is not complicatedskomplikowane.
14
37579
3427
Złożony to nie to samo,
co skomplikowany.
00:53
Something complicatedskomplikowane comprisesskłada się z manywiele smallmały partsCzęści,
15
41006
3448
Coś skomplikowanego składa się
z wielu małych części,
00:56
all differentróżne, and eachkażdy of them
16
44454
2430
każda jest inna
i spełnia swoją
szczególną rolę w mechanizmie.
00:58
has its ownwłasny preciseprecyzyjny rolerola in the machinerymaszyneria.
17
46899
3104
01:02
On the oppositenaprzeciwko, a complexzłożony systemsystem
18
50003
2811
Z kolei złożony system
01:04
is madezrobiony of manywiele, manywiele similarpodobny partsCzęści,
19
52814
2641
składa się z wielu podobnych części,
01:07
and it is theirich interactioninterakcja
20
55455
2008
których interakcja
01:09
that producesprodukuje a globallyglobalnie coherentspójne behaviorzachowanie.
21
57463
3320
skutkuje w pełni spójnym zachowaniem.
01:12
ComplexKompleks systemssystemy have manywiele interactinginterakcja partsCzęści
22
60783
3836
Złożone systemy mają wiele
oddziałujących na siebie części,
01:16
whichktóry behavezachować się accordingwedług to simpleprosty, individualindywidualny ruleszasady,
23
64619
3426
które postępują według
prostych, indywidualnych zasad
01:20
and this resultswyniki in emergentwschodzący propertiesnieruchomości.
24
68045
3349
co skutkuje wyłanianiem się nowych cech.
01:23
The behaviorzachowanie of the systemsystem as a wholecały
25
71394
1888
Nie da się przewidzieć
01:25
cannotnie może be predictedprzewidywane
26
73282
1668
zachowania systemu jako całości
01:26
from the individualindywidualny ruleszasady only.
27
74950
2152
tylko na podstawie
działania jednostki.
01:29
As AristotleArystoteles wrotenapisał,
28
77102
1810
Jak pisał Arystoteles:
01:30
the wholecały is greaterwiększy than the sumsuma of its partsCzęści.
29
78912
3060
całość to więcej
niż suma jej składników.
01:33
But from AristotleArystoteles, let's moveruszaj się ontona
30
81972
2462
Ale przejdźmy do bardziej
01:36
a more concretebeton exampleprzykład of complexzłożony systemssystemy.
31
84434
3690
konkretnych przykładów
złożonych systemów.
01:40
These are ScottishSzkocki terriersTeriery.
32
88124
1956
To są teriery szkockie.
01:42
In the beginningpoczątek, the systemsystem is disorganizedchaotyczna.
33
90080
3751
Początkowo system był chaotyczny.
01:45
Then comespochodzi a perturbationperturbacji: milkmleko.
34
93831
3801
Potem następuje zaburzenie: mleko.
01:49
EveryKażdy individualindywidualny startszaczyna się pushingpchanie in one directionkierunek
35
97632
3850
Każdy osobnik pcha w jedną stronę
01:53
and this is what happensdzieje się.
36
101482
3309
i oto efekt.
01:56
The pinwheelWiatraczek is an emergentwschodzący propertynieruchomość
37
104791
2826
Wiatraczek to nowa cecha
01:59
of the interactionsinterakcje betweenpomiędzy puppiesszczeniaki
38
107617
1903
interakcji pomiędzy szczeniętami,
02:01
whosektórego only rulereguła is to try to keep accessdostęp to the milkmleko
39
109520
3910
których jedyną zasadą jest
utrzymanie dostępu do mleka,
02:05
and thereforew związku z tym to pushPchać in a randomlosowy directionkierunek.
40
113430
3607
stąd popychanie w przypadkowym kierunku.
02:09
So it's all about findingodkrycie the simpleprosty ruleszasady
41
117037
3975
Więc polega to na
odnajdywaniu prostych zasad,
02:13
from whichktóry complexityzłożoność emergeswyłania się.
42
121012
2758
z których rodzi się złożoność.
02:15
I call this simplifyinguproszczenia complexityzłożoność,
43
123770
2940
Nazywam to upraszczaniem złożoności
i tym właśnie zajmujemy się
02:18
and it's what we do at the chairkrzesło of systemssystemy designprojekt
44
126710
2135
w Katedrze Projektowania Systemów
02:20
at ETHETH ZurichZurych.
45
128845
1977
na Politechnice Federalnej w Zurychu.
02:22
We collectzebrać datadane on animalzwierzę populationspopulacje,
46
130822
3705
Zbieramy dane o populacjach zwierząt,
02:26
analyzeanalizować complexzłożony patternswzorce, try to explainwyjaśniać them.
47
134527
3811
analizujemy wzory złożoności
i próbujemy je wyjaśnić.
02:30
It requireswymaga physicistsfizycy who work with biologistsbiolodzy,
48
138338
2619
Wymaga to współpracy
fizyków z biologami,
02:32
with mathematiciansmatematycy and computerkomputer scientistsnaukowcy,
49
140957
2723
matematykami i informatykami,
02:35
and it is theirich interactioninterakcja that producesprodukuje
50
143680
2820
a interakcja pomiędzy nimi stwarza
02:38
cross-boundarytransgranicznego competencekompetencja
51
146500
1714
interdyscyplinarną zdolność
02:40
to solverozwiązać these problemsproblemy.
52
148214
1578
rozwiązywania problemów.
02:41
So again, the wholecały is greaterwiększy
53
149792
2272
Tak więc całość to więcej,
02:44
than the sumsuma of the partsCzęści.
54
152064
1400
niż suma jej składników.
02:45
In a way, collaborationwspółpraca
55
153464
2150
W pewnym sensie ta współpraca
02:47
is anotherinne exampleprzykład of a complexzłożony systemsystem.
56
155614
3491
jest również przykładem
złożonego systemu.
02:51
And you maymoże be askingpytając yourselfsiebie
57
159105
1876
Pewnie zastanawiacie się
02:52
whichktóry sidebok I'm on, biologybiologia or physicsfizyka?
58
160981
2817
po której jestem stronie
- biologii czy fizyki.
02:55
In factfakt, it's a little differentróżne,
59
163798
2111
To nie takie proste
02:57
and to explainwyjaśniać, I need to tell you
60
165909
1589
i aby to wyjaśnić, muszę
02:59
a shortkrótki storyfabuła about myselfsiebie.
61
167498
2342
opowiedzieć krótką historię.
03:01
When I was a childdziecko,
62
169840
1727
Gdy byłem dzieckiem
03:03
I lovedkochany to buildbudować stuffrzeczy, to
createStwórz complicatedskomplikowane machinesmaszyny.
63
171567
4109
uwielbiałem budować różne rzeczy
i tworzyć skomplikowane maszyny.
03:07
So I setzestaw out to studybadanie electricalelektryczny engineeringInżynieria
64
175676
2737
Postanowiłem studiować
inżynierię elektryczną
03:10
and roboticsRobotyka,
65
178413
1552
i robotykę,
03:11
and my end-of-studieskoniec studiów projectprojekt
66
179965
2093
a moim projektem na zakończenie studiów
03:14
was about buildingbudynek a robotrobot callednazywa ER-ER-1 --
67
182058
2926
było zbudowanie robota o nazwie ER-1.
03:16
it lookedspojrzał like this—
68
184984
1930
Wyglądał tak.
03:18
that would collectzebrać informationInformacja from its environmentśrodowisko
69
186914
2371
Miał zbierać dane z otoczenia,
03:21
and proceedkontynuować to followśledzić a whitebiały linelinia on the groundziemia.
70
189285
3498
przetwarzać je i poruszać się
wzdłuż białej linii na podłożu.
03:24
It was very, very complicatedskomplikowane,
71
192783
2379
Był bardzo skomplikowany,
03:27
but it workedpracował beautifullyestetycznie in our testtest roompokój,
72
195162
2984
ale działał bez zarzutu
w naszym pokoju testowym.
03:30
and on demodemo day, professorsprofesorowie had
assembledzmontowany to gradestopień the projectprojekt.
73
198146
3453
W dniu pokazu, nauczyciele
zgromadzili się, aby ocenić projekt.
Zanieśliśmy ER-1 do pokoju,
gdzie miał być oceniony.
03:33
So we tookwziął ER-ER-1 to the evaluationoceny roompokój.
74
201607
2902
03:36
It turnedobrócony out, the lightlekki in that roompokój
75
204509
2310
Okazało się, że światło w tym pokoju
było nieco inne.
03:38
was slightlynieco differentróżne.
76
206819
1819
03:40
The robot'srobota visionwizja systemsystem got confusedzmieszany.
77
208638
2331
System wizyjny robota zawiódł
03:42
At the first bendzakręt in the linelinia,
78
210969
1761
i przy pierwszym zakręcie
03:44
it left its coursekurs, and crashedrozbił się into a wallŚciana.
79
212730
3739
robot zboczył z kursu
i wpadł na ścianę.
03:48
We had spentwydany weekstygodnie buildingbudynek it,
80
216469
2087
Zbudowanie go zajęło tygodnie,
03:50
and all it tookwziął to destroyzniszczyć it
81
218556
1673
a aby go zniszczyć wystarczyła
03:52
was a subtlesubtelny changezmiana in the colorkolor of the lightlekki
82
220229
2656
niewielka zmiana w kolorze
03:54
in the roompokój.
83
222885
1596
oświetlenia pokoju.
03:56
That's when I realizedrealizowany that
84
224481
1515
Wtedy zrozumiałem,
03:57
the more complicatedskomplikowane you make a machinemaszyna,
85
225996
2327
że im bardziej
skomplikowana jest maszyna,
04:00
the more likelyprawdopodobne that it will failzawieść
86
228323
2039
tym bardziej prawdopodobnie zawiedzie
04:02
duez powodu to something absolutelyabsolutnie unexpectedniespodziewany.
87
230362
2563
z zupełnie nieoczekiwanych powodów.
04:04
And I decidedzdecydowany that, in factfakt,
88
232925
1830
Stwierdziłem, że nie chcę
04:06
I didn't really want to createStwórz complicatedskomplikowane stuffrzeczy.
89
234755
3013
tworzyć skomplikowanych rzeczy.
04:09
I wanted to understandzrozumieć complexityzłożoność,
90
237768
2942
Chciałem zrozumieć złożoność
04:12
the complexityzłożoność of the worldświat around us
91
240710
1988
świata dookoła nas,
04:14
and especiallyszczególnie in the animalzwierzę kingdomKrólestwo.
92
242698
2405
szczególnie w królestwie zwierząt.
04:17
WhichCo bringsprzynosi us to batsnietoperze.
93
245103
3320
I tu wkraczają nietoperze.
04:20
Bechstein'sBechstein's batsnietoperze are a commonpospolity
speciesgatunki of EuropeanEuropejski batsnietoperze.
94
248423
3051
Nocek Bechsteina to pospolity
gatunek europejskich nietoperzy.
04:23
They are very socialspołeczny animalszwierzęta.
95
251474
1413
Są to zwierzęta społeczne.
04:24
MostlyGłównie they roostGrzęda, or sleepsen, togetherRazem.
96
252887
3291
Głównie przebywają,
czy śpią, razem.
04:28
And they liverelacja na żywo in maternityurlop macierzyński colonieskolonie,
97
256178
1679
Żyją w koloniach rozrodczych,
04:29
whichktóry meansznaczy that everykażdy springwiosna,
98
257857
1540
co oznacza, że każdej wiosny
04:31
the femaleskobiety meetspotykać się after the winterzimowy hibernationstan hibernacji,
99
259397
3258
samice spotykają się
po zimowej hibernacji,
04:34
and they stayzostać togetherRazem for about sixsześć monthsmiesiące
100
262655
2089
by przez około sześć miesięcy żyć razem
04:36
to reartylny theirich youngmłody,
101
264744
2486
i wychować młode.
04:39
and they all carrynieść a very smallmały chipżeton,
102
267230
2805
Każdy nietoperz ma mały chip,
04:42
whichktóry meansznaczy that everykażdy time one of them
103
270035
1871
więc za każdym razem,
gdy któryś wchodzi do specjalnie
wyposażonej budki dla nietoperzy,
04:43
enterswchodzi one of these speciallyspecjalnie equippedwyposażony batnietoperz boxespudła,
104
271906
3057
04:46
we know where she is,
105
274963
1643
wiemy, gdzie jest
04:48
and more importantlyco ważne,
106
276606
1169
i co ważniejsze,
04:49
we know with whomkogo she is.
107
277775
2563
z kim jest.
04:52
So I studybadanie roostingroosting associationsStowarzyszenia in batsnietoperze,
108
280338
3694
Mogę badać
relacje wychowawcze u nietoperzy,
04:56
and this is what it lookswygląda like.
109
284032
2445
które wyglądają tak:
04:58
DuringPodczas the day, the batsnietoperze roostGrzęda
110
286477
2442
w ciągu dnia nietoperze gromadzą się
05:00
in a numbernumer of sub-groupspodgrupy in differentróżne boxespudła.
111
288919
2304
w kilku podgrupach w różnych budkach.
05:03
It could be that on one day,
112
291223
1929
Jednego dnia zdarza się,
05:05
the colonykolonia is splitrozdzielać betweenpomiędzy two boxespudła,
113
293152
2220
że kolonia jest podzielona
między dwie budki,
05:07
but on anotherinne day,
114
295372
1300
a kolejnego
05:08
it could be togetherRazem in a singlepojedynczy boxpudełko,
115
296672
2241
może znajdować się razem
w jednej budce,
05:10
or splitrozdzielać betweenpomiędzy threetrzy or more boxespudła,
116
298913
2316
lub podzielona
na trzy, bądź więcej budek,
05:13
and that all seemswydaje się ratherraczej erraticniekonsekwentny, really.
117
301229
2927
wydaje się, że nie ma tu reguły.
05:16
It's callednazywa fission-fusionRozszczepienie fusion dynamicsdynamika,
118
304156
3203
Nazywa się to dynamiką fuzji i rozpadu
05:19
the propertynieruchomość for an animalzwierzę groupGrupa
119
307359
1713
i dotyczy tendencji grup zwierząt
05:21
of regularlyregularnie splittingpodział and mergingScalanie
120
309072
2178
do regularnego dzielenia się i łączenia
05:23
into differentróżne subgroupspodgrup.
121
311250
1661
w różne podgrupy.
05:24
So what we do is take all these datadane
122
312911
2562
Zbieramy dane
05:27
from all these differentróżne daysdni
123
315473
1662
ze wszystkich dni
05:29
and poolbasen them togetherRazem
124
317135
1504
i analizujemy je łącznie,
05:30
to extractwyciąg a long-termdługoterminowy associationstowarzyszenie patternwzór
125
318639
2617
by uzyskać długoterminowy
wzór zależności
05:33
by applyingstosowanie techniquestechniki with networksieć analysisanaliza
126
321256
2505
za pomocą analizy sieci powiązań,
05:35
to get a completekompletny pictureobrazek
127
323761
1621
by otrzymać pełny obraz
05:37
of the socialspołeczny structureStruktura of the colonykolonia.
128
325382
2537
społecznej struktury kolonii.
05:39
Okay? So that's what this pictureobrazek lookswygląda like.
129
327919
4265
Wygląda to tak.
05:44
In this networksieć, all the circleskółka
130
332184
2394
W tej sieci wszystkie punkty
05:46
are nodeswęzły, individualindywidualny batsnietoperze,
131
334578
2777
to poszczególne nietoperze,
05:49
and the lineskwestia betweenpomiędzy them
132
337355
1583
a linie pomiędzy nimi
05:50
are socialspołeczny bondswięzy, associationsStowarzyszenia betweenpomiędzy individualsosoby prywatne.
133
338938
3664
to więzi społeczne,
powiązania pomiędzy osobnikami.
05:54
It turnsskręca out this is a very interestingciekawy pictureobrazek.
134
342602
2678
Okazuje się, że to bardzo ciekawy obraz.
05:57
This batnietoperz colonykolonia is organizedzorganizowany
135
345280
1982
Kolonia nietoperzy jest podzielona
05:59
in two differentróżne communitiesspołeczności
136
347262
1868
na dwie społeczności,
06:01
whichktóry cannotnie może be predictedprzewidywane
137
349130
1839
które nie podlegają przewidywaniu
06:02
from the dailycodziennie fission-fusionRozszczepienie fusion dynamicsdynamika.
138
350969
2249
przez codzienną
dynamikę fuzji i rozpadu.
06:05
We call them cryptictajemnicze socialspołeczny unitsjednostki.
139
353218
3550
Nazywamy je ukrytymi
jednostkami społecznymi.
06:08
Even more interestingciekawy, in factfakt:
140
356768
1616
Co więcej,
06:10
EveryKażdy yearrok, around OctoberPaździernik,
141
358384
2364
co roku, około października,
kolonia rozdziela się
06:12
the colonykolonia splitspodziały up,
142
360748
1561
06:14
and all batsnietoperze hibernatestan hibernacji separatelyosobno,
143
362309
2698
i wszystkie nietoperze
hibernują osobno.
06:17
but yearrok after yearrok,
144
365007
1461
Natomiast rok po roku,
06:18
when the batsnietoperze come togetherRazem again in the springwiosna,
145
366468
3073
gdy spotykają się ponownie wiosną,
06:21
the communitiesspołeczności stayzostać the samepodobnie.
146
369541
2590
społeczności pozostają te same.
06:24
So these batsnietoperze rememberZapamiętaj theirich friendsprzyjaciele
147
372131
2720
Te nietoperze pamiętają swoich znajomych
06:26
for a really long time.
148
374851
1830
naprawdę długo.
06:28
With a brainmózg the sizerozmiar of a peanutorzechowe,
149
376681
2474
Z mózgiem wielkości fistaszka,
06:31
they maintainutrzymać individualizedzindywidualizowane,
150
379155
2125
utrzymują własne,
06:33
long-termdługoterminowy socialspołeczny bondswięzy,
151
381280
2142
długoterminowe więzi społeczne.
06:35
We didn't know that was possiblemożliwy.
152
383422
1724
Nie wiedzieliśmy, że to możliwe.
06:37
We knewwiedziałem that primatesnaczelne ssaki
153
385146
1759
Wiadomo było, że naczelne,
06:38
and elephantssłonie and dolphinsDelfiny could do that,
154
386905
2568
słonie czy delfiny to potrafią,
06:41
but comparedporównywane to batsnietoperze, they have hugeolbrzymi brainsmózg.
155
389473
2628
ale w porównaniu z nietoperzami
one mają ogromne mózgi.
06:44
So how could it be
156
392101
2399
Jak to możliwe,
06:46
that the batsnietoperze maintainutrzymać this complexzłożony,
157
394500
1951
że nietoperze utrzymują złożoną,
06:48
stablestabilny socialspołeczny structureStruktura
158
396451
1688
stabilną strukturę społeczną
06:50
with suchtaki limitedograniczony cognitivepoznawczy abilitiesumiejętności?
159
398139
3532
z tak ograniczonymi
możliwościami poznawczymi?
06:53
And this is where complexityzłożoność bringsprzynosi an answerodpowiedź.
160
401671
2889
Na to pytanie odpowiada złożoność.
06:56
To understandzrozumieć this systemsystem,
161
404560
2141
Aby zrozumieć ten system
06:58
we builtwybudowany a computerkomputer modelModel of roostingroosting,
162
406701
2797
stworzyliśmy komputerowy
model kontaktów
07:01
basedna podstawie on simpleprosty, individualindywidualny ruleszasady,
163
409498
2018
oparty na działaniach osobnika
07:03
and simulatedsymulowane thousandstysiące and thousandstysiące of daysdni
164
411516
2435
i symulujący tysiące dni
07:05
in the virtualwirtualny batnietoperz colonykolonia.
165
413951
2019
w wirtualnej kolonii nietoperzy.
07:07
It's a mathematicalmatematyczny modelModel,
166
415970
2124
Jest to model matematyczny,
07:10
but it's not complicatedskomplikowane.
167
418094
1954
ale nie jest skomplikowany.
07:12
What the modelModel told us is that, in a nutshellłupina orzecha,
168
420048
3098
Według modelu,
07:15
eachkażdy batnietoperz knowswie a fewkilka other colonykolonia membersczłonków
169
423146
3186
każdy nietoperz traktuje
kilkoro członków kolonii
07:18
as her friendsprzyjaciele, and is just slightlynieco more likelyprawdopodobne
170
426332
2488
jako swoich znajomych
i z nimi będzie przebywał
07:20
to roostGrzęda in a boxpudełko with them.
171
428820
2510
w budce nieco częściej.
07:23
SimpleProste, individualindywidualny ruleszasady.
172
431330
2444
Osobnik postępuje
według prostych zasad.
07:25
This is all it takes to explainwyjaśniać
173
433774
1712
Tyle wystarczy, by wyjaśnić
07:27
the socialspołeczny complexityzłożoność of these batsnietoperze.
174
435486
2389
społeczną złożoność nietoperzy.
07:29
But it getsdostaje better.
175
437875
1718
Ale to nie wszystko.
07:31
BetweenMiędzy 2010 and 2011,
176
439593
2848
Między 2010 a 2011
07:34
the colonykolonia lostStracony more than two thirdstrzecie of its membersczłonków,
177
442441
3453
kolonia straciła ponad
dwie trzecie członków,
07:37
probablyprawdopodobnie duez powodu to the very coldzimno winterzimowy.
178
445894
2986
zapewne z powodu ostrej zimy.
07:40
The nextNastępny springwiosna, it didn't formformularz two communitiesspołeczności
179
448880
3144
Kolejnej wiosny nie uformowała
dwóch społeczności,
07:44
like everykażdy yearrok,
180
452024
1271
jak każdego roku,
07:45
whichktóry maymoże have led the wholecały colonykolonia to dieumierać
181
453295
2203
co mogłoby doprowadzić do
07:47
because it had becomestają się too smallmały.
182
455498
2095
wyginięcia kolonii,
bo byłaby zbyt mała.
07:49
InsteadZamiast tego, it formedpowstały a singlepojedynczy, cohesivespójnego socialspołeczny unitjednostka,
183
457593
5373
Zamiast tego uformowała się
jedna, spójna grupa społeczna,
07:54
whichktóry alloweddozwolony the colonykolonia to surviveprzetrwać that seasonpora roku
184
462966
2732
dzięki czemu kolonia
przetrwała ten okres
07:57
and thriveprosperować again in the nextNastępny two yearslat.
185
465698
3104
i dwa lata później
rozkwitła ponownie.
08:00
What we know is that the batsnietoperze
186
468802
1778
Wiadomo, że nietoperze
08:02
are not awareświadomy that theirich colonykolonia is doing this.
187
470580
2907
nie zdają sobie sprawy
z tego, co robi kolonia.
08:05
All they do is followśledzić simpleprosty associationstowarzyszenie ruleszasady,
188
473487
3546
Kierują się prostymi zasadami
dotyczącymi powiązań,
08:09
and from this simplicityprostota
189
477033
1349
a z tej prostoty
08:10
emergeswyłania się socialspołeczny complexityzłożoność
190
478382
2441
powstaje społeczna złożoność,
08:12
whichktóry allowspozwala the colonykolonia to be resilientelastyczne
191
480823
2840
która pozwala kolonii
dostosowywać się
08:15
againstprzeciwko dramaticdramatyczny changeszmiany
in the populationpopulacja structureStruktura.
192
483663
2981
do znaczących zmian
w strukturze populacji.
08:18
And I find this incredibleniesamowite.
193
486644
2694
Uważam, że to niesamowite.
08:21
Now I want to tell you anotherinne storyfabuła,
194
489338
2084
Opowiem teraz inną historię,
08:23
but for this we have to travelpodróżować from EuropeEuropy
195
491422
1555
z Europy przenosimy się
08:24
to the KalahariKalahari DesertPustynia in SouthPołudniowa AfricaAfryka.
196
492977
3048
na pustynię Kalahari
w południowej Afryce,
08:28
This is where meerkatssurykatki liverelacja na żywo.
197
496025
2027
gdzie żyją surykatki.
08:30
I'm sure you know meerkatssurykatki.
198
498052
1500
Na pewno o nich słyszeliście.
08:31
They're fascinatingfascynujący creaturesstworzenia.
199
499552
2106
To fascynujące stworzenia.
08:33
They liverelacja na żywo in groupsgrupy with a
very strictścisły socialspołeczny hierarchyhierarchia.
200
501658
2989
Żyją w grupach ze ściśle
określoną hierarchią społeczną.
08:36
There is one dominantdominujący pairpara,
201
504647
1459
Jest jedna para dominująca
08:38
and manywiele subordinatespodwładnych,
202
506106
1382
i osobniki podporządkowane,
08:39
some actinggra aktorska as sentinelsStrażnicy,
203
507488
1714
niektóre są strażnikami,
08:41
some actinggra aktorska as babysittersopiekunki do dzieci,
204
509202
1337
inne opiekują się młodymi,
08:42
some teachingnauczanie pupsszczeniaki, and so on.
205
510539
1897
jeszcze inne uczą młode, i tak dalej.
08:44
What we do is put very smallmały GPSGPS collarsKołnierze
206
512436
3321
Założyliśmy im małe
08:47
on these animalszwierzęta
207
515757
1525
obroże GPS,
08:49
to studybadanie how they moveruszaj się togetherRazem,
208
517282
1875
żeby badać, jak się przemieszczają
08:51
and what this has to do with theirich socialspołeczny structureStruktura.
209
519157
3717
i jaki ma to wpływ
na ich społeczną strukturę.
08:54
And there's a very interestingciekawy exampleprzykład
210
522874
1490
Istnieje ciekawy przykład
08:56
of collectivekolektyw movementruch in meerkatssurykatki.
211
524364
2716
wspólnego przemieszczania się surykatek.
08:59
In the middleśrodkowy of the reserverezerwować whichktóry they liverelacja na żywo in
212
527080
2367
Po środku ich rezerwatu
09:01
lieskłamstwa a roadDroga.
213
529447
1209
przebiega droga.
09:02
On this roadDroga there are carssamochody, so it's dangerousniebezpieczny.
214
530656
3233
Drogą przejeżdżają samochody,
co stwarza niebezpieczeństwo.
09:05
But the meerkatssurykatki have to crosskrzyż it
215
533889
2284
Surykatki muszą ją pokonać,
09:08
to get from one feedingkarmienie placemiejsce to anotherinne.
216
536173
2574
by móc szukać pożywienia.
09:10
So we askedspytał, how exactlydokładnie do they do this?
217
538747
4751
Zaczęliśmy się zastanawiać
jak właściwie one to robią?
09:15
We founduznany that the dominantdominujący femalePłeć żeńska
218
543498
1836
Głównie to dominująca samica
09:17
is mostlyprzeważnie the one who leadswskazówki the groupGrupa to the roadDroga,
219
545334
2621
prowadzi grupę do drogi,
09:19
but when it comespochodzi to crossingprzejście it, crossingprzejście the roadDroga,
220
547955
3272
ale gdy trzeba ją przekroczyć
09:23
she givesdaje way to the subordinatespodwładnych,
221
551227
2351
ustępuje osobnikom podporządkowanym,
09:25
a mannersposób of sayingpowiedzenie,
222
553578
1777
jakby mówiła:
09:27
"Go aheadprzed siebie, tell me if it's safebezpieczny."
223
555355
2682
"Idźcie przodem i powiedzcie,
czy jest bezpiecznie."
09:30
What I didn't know, in factfakt,
224
558037
1664
Jednak nie zdawałem sobie sprawy,
09:31
was what ruleszasady in theirich behaviorzachowanie the meerkatssurykatki followśledzić
225
559701
3142
jakimi zasadami kierują się surykatki
09:34
for this changezmiana at the edgekrawędź of the groupGrupa to happenzdarzyć
226
562843
2925
przy takiej zmianie zachowania grupy
09:37
and if simpleprosty ruleszasady were sufficientwystarczające to explainwyjaśniać it.
227
565768
3850
i czy można to wyjaśnić prostymi zasadami.
09:41
So I builtwybudowany a modelModel, a modelModel of simulatedsymulowane meerkatssurykatki
228
569618
3991
Stworzyłem model symulujący surykatki
09:45
crossingprzejście a simulatedsymulowane roadDroga.
229
573609
1913
przechodzące przez drogę.
09:47
It's a simplisticuproszczone modelModel.
230
575522
1872
To uproszczony model.
09:49
MovingPrzenoszenie meerkatssurykatki are like randomlosowy particlescząsteczki
231
577394
2840
Poruszające się surykatki
są jak losowe cząstki,
09:52
whosektórego uniquewyjątkowy rulereguła is one of alignmentwyrównanie.
232
580234
2222
których unikalną zasadą
jest współpraca.
09:54
They simplypo prostu moveruszaj się togetherRazem.
233
582456
2406
Surykatki przemieszczają się razem.
09:56
When these particlescząsteczki get to the roadDroga,
234
584862
3184
Gdy te cząstki docierają do drogi,
10:00
they sensesens some kinduprzejmy of obstacleprzeszkoda,
235
588046
1942
wyczuwają przeszkodę
10:01
and they bounceBounce againstprzeciwko it.
236
589988
2084
i odbijają się od niej.
10:04
The only differenceróżnica
237
592072
1156
Jedyna różnica
10:05
betweenpomiędzy the dominantdominujący femalePłeć żeńska, here in redczerwony,
238
593228
2042
między dominującą samicą, tu na czerwono,
10:07
and the other individualsosoby prywatne,
239
595270
1485
a innymi osobnikami,
10:08
is that for her, the heightwysokość of the obstacleprzeszkoda,
240
596755
2554
jest taka, że dla niej poziom przeszkody,
10:11
whichktóry is in factfakt the riskryzyko perceivedpostrzegane from the roadDroga,
241
599309
2505
czyli ryzyko, jakie stwarza droga,
10:13
is just slightlynieco higherwyższy,
242
601814
1949
jest nieco wyższy.
10:15
and this tinymalutki differenceróżnica
243
603763
1661
Ta drobna różnica
10:17
in the individual'sosoby rulereguła of movementruch
244
605424
1838
w ruchu osobnika
10:19
is sufficientwystarczające to explainwyjaśniać what we observenależy przestrzegać,
245
607262
2446
tłumaczy to, co obserwujemy,
10:21
that the dominantdominujący femalePłeć żeńska
246
609708
2560
że dominująca samica
10:24
leadswskazówki her groupGrupa to the roadDroga
247
612268
1434
prowadzi grupę do drogi,
10:25
and then givesdaje way to the othersinni
248
613702
1670
po czym ustępuje innym,
10:27
for them to crosskrzyż first.
249
615372
2863
aby przeszli pierwsi.
10:30
GeorgeGeorge BoxPudełko, who was an EnglishAngielski statisticianstatystyk,
250
618235
3651
George Box, angielski statystyk,
10:33
oncepewnego razu wrotenapisał, "All modelsmodele are falsefałszywy,
251
621886
2962
napisał: "Wszystkie modele są fałszywe,
10:36
but some modelsmodele are usefulprzydatny."
252
624848
2059
ale niektóre są przydatne."
10:38
And in factfakt, this modelModel is obviouslyoczywiście falsefałszywy,
253
626907
3197
Ten model też jest fałszywy,
10:42
because in realityrzeczywistość, meerkatssurykatki are
anything but randomlosowy particlescząsteczki.
254
630104
3968
bo w rzeczywistości surykatkom
daleko do losowych cząstek.
10:46
But it's alsorównież usefulprzydatny,
255
634072
1637
Jednak jest przydatny,
10:47
because it tellsmówi us that extremeskrajny simplicityprostota
256
635709
2749
gdyż mówi nam,
że niezwykła prostota zasad
10:50
in movementruch ruleszasady at the individualindywidualny levelpoziom
257
638458
3358
według których porusza się osobnik
10:53
can resultwynik in a great dealsprawa of complexityzłożoność
258
641816
2351
może skutkować
ogromną złożonością zasad,
10:56
at the levelpoziom of the groupGrupa.
259
644167
1938
jakimi rządzi się grupa.
10:58
So again, that's simplifyinguproszczenia complexityzłożoność.
260
646105
4056
Znów mamy do czynienia
z upraszczaniem złożoności.
11:02
I would like to concludewyciągnąć wniosek
261
650161
1448
Chciałbym wyjaśnić
11:03
on what this meansznaczy for the wholecały speciesgatunki.
262
651609
2817
jakie to ma znaczenie dla całego gatunku.
11:06
When the dominantdominujący femalePłeć żeńska
263
654426
1664
Gdy dominująca samica ustępuje
osobnikowi podporządkowanemu,
11:08
givesdaje way to a subordinatepodrzędnego,
264
656090
1566
11:09
it's not out of courtesyDzięki uprzejmości.
265
657656
2117
nie jest to uprzejmość.
11:11
In factfakt, the dominantdominujący femalePłeć żeńska
266
659773
1507
Dominująca samica
11:13
is extremelyniezwykle importantważny for the cohesionspójności of the groupGrupa.
267
661280
2519
jest niezwykle ważna
dla spójności grupy.
11:15
If she diesumiera on the roadDroga, the wholecały groupGrupa is at riskryzyko.
268
663799
3512
Gdyby zmarła na drodze, cała grupa
byłaby w niebezpieczeństwie.
11:19
So this behaviorzachowanie of riskryzyko avoidanceunikanie
269
667311
2236
Więc to unikanie ryzyka
11:21
is a very oldstary evolutionaryewolucyjny responseodpowiedź.
270
669547
2801
jest ewolucyjnie starym odruchem.
11:24
These meerkatssurykatki are replicatingreplikowanie an evolvedewoluował tactictaktyka
271
672348
3869
Surykatki wykorzystują taktykę,
11:28
that is thousandstysiące of generationspokolenia oldstary,
272
676217
2233
która wyewoluowała
tysiące pokoleń temu
11:30
and they're adaptingdostosowanie it to a modernnowoczesny riskryzyko,
273
678450
2414
i dostosowują ją do
współczesnych zagrożeń,
11:32
in this casewalizka a roadDroga builtwybudowany by humansludzie.
274
680864
3325
w tym przypadku drogi
wybudowanej przez ludzi.
11:36
They adaptprzystosować się very simpleprosty ruleszasady,
275
684189
2395
Adaptują bardzo proste zasady,
11:38
and the resultingwynikające complexzłożony behaviorzachowanie
276
686584
2289
a efekt w postaci
złożonego zachowania
11:40
allowspozwala them to resistopierać się humanczłowiek encroachmentingerencji
277
688873
2956
pozwala im przetrwać
ingerencje człowieka
11:43
into theirich naturalnaturalny habitatsiedlisko.
278
691829
2448
w ich środowisko.
11:46
In the endkoniec,
279
694277
1802
Koniec końców, to mogą być
11:48
it maymoże be batsnietoperze whichktóry changezmiana theirich socialspołeczny structureStruktura
280
696079
2700
nietoperze zmieniające
strukturę społeczną
11:50
in responseodpowiedź to a populationpopulacja crashwypadek,
281
698779
2384
na skutek zmniejszenia populacji,
11:53
or it maymoże be meerkatssurykatki
282
701163
1399
to mogą być surykatki,
11:54
who showpokazać a novelpowieść adaptationdostosowanie to a humanczłowiek roadDroga,
283
702562
3202
które przystosowały się
do obecności jezdni,
11:57
or it maymoże be anotherinne speciesgatunki.
284
705764
2685
to może być każdy inny gatunek.
12:00
My messagewiadomość here -- and it's not a complicatedskomplikowane one,
285
708449
2793
Moje przesłanie
nie jest skomplikowane,
12:03
but a simpleprosty one of wondercud and hopenadzieja --
286
711242
2764
ale proste, pełne zachwytu i nadziei,
12:06
my messagewiadomość here is that animalszwierzęta
287
714006
3093
chciałbym powiedzieć, że zwierzęta
12:09
showpokazać extraordinaryniezwykły socialspołeczny complexityzłożoność,
288
717099
2424
wykazują niezwykłą społeczną złożoność,
12:11
and this allowspozwala them to adaptprzystosować się
289
719523
2441
która pozwala im dostosowywać się
12:13
and respondodpowiadać to changeszmiany in theirich environmentśrodowisko.
290
721964
3481
i reagować na zmiany w ich środowisku.
12:17
In threetrzy wordssłowa, in the animalzwierzę kingdomKrólestwo,
291
725445
2768
Podsumowując, w królestwie zwierząt
12:20
simplicityprostota leadswskazówki to complexityzłożoność
292
728213
2774
prostota prowadzi do złożoności,
12:22
whichktóry leadswskazówki to resiliencesprężystość.
293
730987
1483
a ta do elastyczności.
12:24
Thank you.
294
732470
2284
Dziękuję.
12:26
(ApplauseAplauz)
295
734754
6680
(Brawa)
12:42
DaniaDania GerhardtGerhardt: Thank you very much, NicolasNicolas,
296
750694
1953
Dania Gerhardt: Dziękuję bardzo
12:44
for this great startpoczątek. Little bitkawałek nervousnerwowy?
297
752647
3279
za świetne rozpoczęcie. Zdenerwowany?
12:47
NicolasNicolas PeronyPerony: I'm okay, thanksdzięki.
298
755926
1644
Nicolas Perony: Jest ok, dzięki.
12:49
DGDG: Okay, great. I'm sure a
lot of people in the audiencepubliczność
299
757570
2460
DG: Super. Jestem pewna,
że wiele osób na widowni
12:52
somehowjakoś triedwypróbowany to make associationsStowarzyszenia
300
760030
1864
próbowało stworzyć powiązania
12:53
betweenpomiędzy the animalszwierzęta you were talkingmówić about --
301
761894
1824
między zwierzętami,
o których mówiłeś,
12:55
the batsnietoperze, meerkatssurykatki -- and humansludzie.
302
763718
2056
nietoperzami, surykatkami a ludźmi.
12:57
You broughtprzyniósł some examplesprzykłady:
303
765774
1208
Przytoczyłeś przykłady,
12:58
The femaleskobiety are the socialspołeczny oneste,
304
766982
1735
że samice są bardziej społeczne,
13:00
the femaleskobiety are the dominantdominujący oneste,
305
768717
1713
są dominujące,
13:02
I'm not sure who thinksmyśli how.
306
770430
1673
nie wiem, o czym kto teraz myśli.
13:04
But is it okay to do these associationsStowarzyszenia?
307
772103
2895
Czy można tworzyć takie powiązania?
13:06
Are there stereotypesstereotypy you can confirmpotwierdzać in this regardwzgląd
308
774998
2800
Czy można w ten sposób
potwierdzić stereotypy,
13:09
that can be validważny acrossprzez all speciesgatunki?
309
777798
3273
które sprawdzałyby się
u wszystkich gatunków?
13:13
NPNP: Well, I would say there are alsorównież
310
781071
1603
NP: Istnieją również przykłady
13:14
counter-examplesPrzykłady Counter to these stereotypesstereotypy.
311
782674
1952
przeczące tym stereotypom.
13:16
For examplesprzykłady, in seamorze horseskonie or in koalaskoale, in factfakt,
312
784626
3140
U koników morskich czy koali
13:19
it is the malesmężczyźni who take careopieka of the youngmłody always.
313
787766
3698
to samce opiekują się młodymi.
13:23
And the lessonlekcja is that it's oftenczęsto difficulttrudny,
314
791464
5041
Porównywanie
13:28
and sometimesczasami even a bitkawałek dangerousniebezpieczny,
315
796505
1752
ludzi i zwięrząt
13:30
to drawrysować parallelsParallels betweenpomiędzy humansludzie and animalszwierzęta.
316
798257
2672
jest trudne i czasem niebezpieczne.
13:32
So that's it.
317
800929
2106
To tyle.
13:35
DGDG: Okay. Thank you very much for this great startpoczątek.
318
803035
2846
DG: Dziękuje bardzo
za świetny początek.
13:37
Thank you, NicolasNicolas PeronyPerony.
319
805881
2080
Dziękuję, Nicolas Perony.
Translated by Krystyna Wasilewska
Reviewed by Maciej Mackiewicz

▲Back to top

ABOUT THE SPEAKER
Nicolas Perony - Animal scientist
Nicolas Perony models the movement of animal groups to understand: what is the individual behavior that guides the behavior of the larger society?

Why you should listen

Nicolas Perony started his career as a roboticist. But after one of his robots -- which was designed to follow a white line -- destroyed itself because of a lighting snafu on demo day, he realized that he was less interested in creating complicated robots and more interested in studying the complexity that already exists out there in the animal kingdom. He quickly changed course and is now a quantitative scientist at the Chair of Systems Design at ETH Zurich, where he studies the structure and dynamics of animal societies.

Perony conducts his research by placing GPS collars on animals like Bechstein's bats and meerkats, and studying the spacial data of the group. He creates models of the movement over time to see patterns. He then tries to ascertain at the simple rules that individuals in the animal group seem to be following that, when done en masse, result in the larger flow. In other words, he looks at the underlying mechanics that lead to the collective movement of animal groups.

More profile about the speaker
Nicolas Perony | Speaker | TED.com