TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: De volta para o futuro (de 1994)
Filmed:
Readability: 3.8
686,810 views
Do fundo dos arquivos TED, Danny Hillis traça uma teoria intrigante de como e por que a mudança tecnológica parece estar acelerando, conectando-a com a própria evolução da vida. As técnicas de apresentação que ele usa podem parecer ultrapassadas, mas as ideias são relevantes como nunca.
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
Porque geralmente tomo o papel
00:18
of trying to explain to people
1
3000
2000
de tentar explicar às pessoas
00:20
how wonderful the new technologies
2
5000
3000
quão maravilhosas as novas tecnologias
00:23
that are coming along are going to be,
3
8000
2000
que estão surgindo vão ser,
00:25
and I thought that, since I was among friends here,
4
10000
3000
e pensei isso, já que estava entre amigos aqui,
00:28
I would tell you what I really think
5
13000
4000
vou contar a vocês o que realmente penso
00:32
and try to look back and try to understand
6
17000
2000
e tentar olhar para trás e entender
00:34
what is really going on here
7
19000
3000
o que realmente acontece aqui
00:37
with these amazing jumps in technology
8
22000
5000
com esses espantosos saltos em tecnologia
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
que parecem tão rápidos que mal podemos nos manter informados.
00:45
So I'm going to start out
10
30000
2000
Assim, vou começar
00:47
by showing just one very boring technology slide.
11
32000
3000
mostrando apenas um slide de tecnologia muito enfadonho.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Então, se puderem ligar o slide.
00:56
This is just a random slide
13
41000
2000
Este é só um slide ao acaso
00:58
that I picked out of my file.
14
43000
2000
que retirei de meu arquivo.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
O que quero lhes mostrar não são os detalhes do slide,
01:03
but the general form of it.
16
48000
2000
mas o formato geral dele.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Este é um slide de alguma análise que estávamos fazendo
01:08
about the power of RISC microprocessors
18
53000
3000
sobre o poder dos microprocessadores RISC
01:11
versus the power of local area networks.
19
56000
3000
versus o poder de redes locais.
01:14
And the interesting thing about it
20
59000
2000
E a coisa interessante sobre isso
01:16
is that this slide,
21
61000
2000
é que esse slide,
01:18
like so many technology slides that we're used to,
22
63000
3000
como muitos slides de tecnologia a que estávamos acostumados,
01:21
is a sort of a straight line
23
66000
2000
é um tipo de linha reta
01:23
on a semi-log curve.
24
68000
2000
numa curva de dados exponenciais.
01:25
In other words, every step here
25
70000
2000
Em outras palavras, cada passo aqui
01:27
represents an order of magnitude
26
72000
2000
representa uma ordem de magnitude
01:29
in performance scale.
27
74000
2000
numa escala de desempenho.
01:31
And this is a new thing
28
76000
2000
E esta é uma coisa nova
01:33
that we talk about technology
29
78000
2000
que falamos sobre tecnologia
01:35
on semi-log curves.
30
80000
2000
em curvas de dados exponenciais.
01:37
Something really weird is going on here.
31
82000
2000
Algo realmente estranho está acontecendo aqui.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
E isso é basicamente sobre o que vou falar.
01:42
So, if you could bring up the lights.
33
87000
3000
Assim, se puderem acender as luzes.
01:47
If you could bring up the lights higher,
34
92000
2000
Se puderem tornar as luzes mais fortes,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
porque vou usar um pedaço de papel aqui.
01:52
Now why do we draw technology curves
36
97000
2000
Agora, por que desenhamos curvas de tecnologia
01:54
in semi-log curves?
37
99000
2000
em curvas de dados exponenciais?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
Bem, a resposta é, se as desenhássemos numa curva normal,
01:59
where, let's say, this is years,
39
104000
2000
na qual, digamos, isto são anos,
02:01
this is time of some sort,
40
106000
2000
isto é tempo de algum tipo,
02:03
and this is whatever measure of the technology
41
108000
3000
e isto é qualquer medida da tecnologia
02:06
that I'm trying to graph,
42
111000
3000
que estou tentando diagramar,
02:09
the graphs look sort of silly.
43
114000
3000
os gráficos parecem meio tolos.
02:12
They sort of go like this.
44
117000
3000
Eles ficam mais ou menos assim.
02:15
And they don't tell us much.
45
120000
3000
E não nos dizem muito.
02:18
Now if I graph, for instance,
46
123000
3000
Agora, se faço a diagramação, por exemplo,
02:21
some other technology, say transportation technology,
47
126000
2000
de outra tecnologia, digamos tecnologia de tranporte,
02:23
on a semi-log curve,
48
128000
2000
numa curva de dados exponenciais,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
ela pareceria muito idiota, pareceria uma linha horizontal.
02:28
But when something like this happens,
50
133000
2000
Mas quando algo como isto acontece,
02:30
things are qualitatively changing.
51
135000
2000
as coisas estão mudando qualitativamente.
02:32
So if transportation technology
52
137000
2000
Assim, se a tecnologia de transporte
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
estivesse se movendo tão rápido quanto a tecnologia do microprocessador,
02:37
then the day after tomorrow,
54
142000
2000
então depois de amanhã,
02:39
I would be able to get in a taxi cab
55
144000
2000
eu seria capaz de entrar em um táxi
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
e estar em Tóquio em 30 segundos.
02:43
It's not moving like that.
57
148000
2000
Ela não está se movendo assim.
02:45
And there's nothing precedented
58
150000
2000
E não há nenhum precedente
02:47
in the history of technology development
59
152000
2000
na história do desenvolvimento da tecnologia
02:49
of this kind of self-feeding growth
60
154000
2000
desse tipo de crescimento auto-alimentado
02:51
where you go by orders of magnitude every few years.
61
156000
3000
no qual você avança por ordens de magnitude em poucos anos.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Agora, a pergunta que gostaria de fazer é,
02:57
if you look at these exponential curves,
63
162000
3000
se você olha para essas curvas exponenciais,
03:00
they don't go on forever.
64
165000
3000
elas não continuam para sempre.
03:03
Things just can't possibly keep changing
65
168000
3000
Possivelmente, as coisas não podem continuar mudando
03:06
as fast as they are.
66
171000
2000
tão rápido quanto estão.
03:08
One of two things is going to happen.
67
173000
3000
Uma de duas coisas vai acontecer.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Ou ela vai se tornar um tipo clássico de curva em S como esta,
03:15
until something totally different comes along,
69
180000
4000
até que algo totalmente diferente surja,
03:19
or maybe it's going to do this.
70
184000
2000
ou, talvez, vá fazer isto.
03:21
That's about all it can do.
71
186000
2000
Isso é tudo que ela pode fazer.
03:23
Now I'm an optimist,
72
188000
2000
Bem, sou um otimista,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
portanto, penso que provavelmente ela vai fazer algo assim,
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Se sim, isso significa que agora estamos no meio
03:31
is a transition.
75
196000
2000
de uma transição.
03:33
We're sort of on this line
76
198000
2000
Estamos mais ou menos nesta linha
03:35
in a transition from the way the world used to be
77
200000
2000
em uma transição da forma como o mundo costumava ser
03:37
to some new way that the world is.
78
202000
3000
para uma nova forma em que o mundo estará.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Então, o que estou tentando perguntar, o que tenho perguntado a mim mesmo,
03:43
is what's this new way that the world is?
80
208000
3000
é: qual é essa nova forma em que o mundo estará?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Qual é esse novo estado para o qual se encaminha o mundo?
03:49
Because the transition seems very, very confusing
82
214000
3000
Porque a transição parece muito, muito confusa
03:52
when we're right in the middle of it.
83
217000
2000
quando você está bem no meio dela.
03:54
Now when I was a kid growing up,
84
219000
3000
Quando eu era uma criança e estava crescendo,
03:57
the future was kind of the year 2000,
85
222000
3000
o futuro era o ano 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
e as pessoas costumavam falar sobre o que aconteceria no ano 2000.
04:04
Now here's a conference
87
229000
2000
Agora, eis aqui uma conferência
04:06
in which people talk about the future,
88
231000
2000
na qual as pessoas falam sobre o futuro,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
e você percebe que o futuro ainda é por volta do ano 2000.
04:11
It's about as far as we go out.
90
236000
2000
É tão longe quanto conseguimos ir.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Assim, em outras palavras, o futuro como que estava encolhendo
04:16
one year per year
92
241000
3000
um ano por ano
04:19
for my whole lifetime.
93
244000
3000
minha vida inteira.
04:22
Now I think that the reason
94
247000
2000
Penso que o motivo
04:24
is because we all feel
95
249000
2000
é porque todos sentimos
04:26
that something's happening there.
96
251000
2000
que algo está acontecendo ali.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Essa transição está acontecendo. Todos nós podemos senti-la.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
E sabemos que não faz muito sentido
04:32
to think out 30, 50 years
99
257000
2000
pensar 30, 50 anos adiante
04:34
because everything's going to be so different
100
259000
3000
porque tudo vai ser tão diferente
04:37
that a simple extrapolation of what we're doing
101
262000
2000
que uma simples extrapolação do que estamos fazendo
04:39
just doesn't make any sense at all.
102
264000
3000
não faz nenhum sentido.
04:42
So what I would like to talk about
103
267000
2000
Então, o que eu gostaria de falar
04:44
is what that could be,
104
269000
2000
é o que isso poderia ser,
04:46
what that transition could be that we're going through.
105
271000
3000
o que essa transição pela qual estamos passando poderia ser.
04:49
Now in order to do that
106
274000
3000
Agora, para fazer isso
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
vou ter que falar sobre um punhado de coisas
04:54
that really has nothing to do
108
279000
2000
que realmente não têm nada a ver
04:56
with technology and computers.
109
281000
2000
com tecnologia e computadores.
04:58
Because I think the only way to understand this
110
283000
2000
Porque penso que a única forma de entender isto
05:00
is to really step back
111
285000
2000
é realmente retroceder
05:02
and take a long time scale look at things.
112
287000
2000
e olhar as coisas numa escala longa de tempo.
05:04
So the time scale that I would like to look at this on
113
289000
3000
A escala de tempo com a qual eu gostaria de olhar isto
05:07
is the time scale of life on Earth.
114
292000
3000
é a escala de tempo da vida na Terra.
05:13
So I think this picture makes sense
115
298000
2000
Assim, penso que esse quadro faz sentido
05:15
if you look at it a few billion years at a time.
116
300000
4000
se você olha alguns bilhões de anos de cada vez.
05:19
So if you go back
117
304000
2000
Então, se você retrocede
05:21
about two and a half billion years,
118
306000
2000
aproximadamente dois e meio bilhões de anos,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
a Terra era esse enorme pedaço de rocha árida
05:26
with a lot of chemicals floating around on it.
120
311000
3000
com muitos elementos químicos flutuando ao seu redor.
05:29
And if you look at the way
121
314000
2000
E se você olha para a forma
05:31
that the chemicals got organized,
122
316000
2000
como os químicos se organizaram,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
começamos a ter uma ideia muito boa de como eles fazem isso.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
E acho que há teorias que estão começando a entender
05:39
about how it started with RNA,
125
324000
2000
como isso começou com RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
mas vou contar um tipo de história simples dela,
05:44
which is that, at that time,
127
329000
2000
que é a de que, naquela época,
05:46
there were little drops of oil floating around
128
331000
3000
havia pequenas gotas de óleo flutuando
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
com todos os tipos de receitas diferentes de químicos nelas.
05:52
And some of those drops of oil
130
337000
2000
E algumas dessas gotas de óleo
05:54
had a particular combination of chemicals in them
131
339000
2000
tinham uma combinação específica de químicos
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
que fez com que elas incorporassem químicos de fora delas
05:59
and grow the drops of oil.
133
344000
3000
e assim aumentassem.
06:02
And those that were like that
134
347000
2000
E aquelas que eram assim
06:04
started to split and divide.
135
349000
2000
começaram a separar-se e dividir-se.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
E aquelas foram as mais primitivas formas de células num certo sentido,
06:09
those little drops of oil.
137
354000
2000
aquelas pequenas gotas de óleo.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Mas aquelas gotas de óleo não estavam realmente vivas, como descrevemos vida agora,
06:14
because every one of them
139
359000
2000
porque cada uma delas
06:16
was a little random recipe of chemicals.
140
361000
2000
era uma pequena receita errática de químicos.
06:18
And every time it divided,
141
363000
2000
E toda vez que se dividiam,
06:20
they got sort of unequal division
142
365000
3000
tinham um tipo desigual de divisão
06:23
of the chemicals within them.
143
368000
2000
dos químicos dentro delas.
06:25
And so every drop was a little bit different.
144
370000
3000
E dessa forma cada gota era um pouquinho diferente.
06:28
In fact, the drops that were different in a way
145
373000
2000
De fato, as gotas que eram diferentes de uma forma
06:30
that caused them to be better
146
375000
2000
que se tornavam melhores
06:32
at incorporating chemicals around them,
147
377000
2000
na incorporação de químicos ao redor delas,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
aumentavam mais, incorporavam mais químicos e se dividiam mais.
06:37
So those tended to live longer,
149
382000
2000
Assim, essas tendiam a viver mais tempo,
06:39
get expressed more.
150
384000
3000
manifestar-se mais.
06:42
Now that's sort of just a very simple
151
387000
3000
Isso é um tipo de forma de vida
06:45
chemical form of life,
152
390000
2000
química muito simples,
06:47
but when things got interesting
153
392000
3000
mas as coisas ficaram interessantes
06:50
was when these drops
154
395000
2000
quando essas gotas
06:52
learned a trick about abstraction.
155
397000
3000
aprenderam um truque sobre separação.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
De alguma maneira, por meios que não entendemos completamente,
06:58
these little drops learned to write down information.
157
403000
3000
essas pequenas gotas aprenderam a escrever informação.
07:01
They learned to record the information
158
406000
2000
Elas aprenderam a registrar a informação
07:03
that was the recipe of the cell
159
408000
2000
que era a receita da célula
07:05
onto a particular kind of chemical
160
410000
2000
num tipo específico de químico
07:07
called DNA.
161
412000
2000
chamado DNA.
07:09
So in other words, they worked out,
162
414000
2000
Em outras palavras, elas desenvolveram,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
nesse negligente tipo de rota evolucionária,
07:14
a form of writing that let them write down what they were,
164
419000
3000
uma forma de registrar que lhes permitia escrever o que elas eram,
07:17
so that that way of writing it down could get copied.
165
422000
3000
de modo que essa forma de escrever pudesse ser copiada.
07:20
The amazing thing is that that way of writing
166
425000
3000
A coisa surpreendente é que essa forma de escrever
07:23
seems to have stayed steady
167
428000
2000
parece ter permanecido estável
07:25
since it evolved two and a half billion years ago.
168
430000
2000
desde que evoluiu dois e meio bilhões de anos atrás.
07:27
In fact the recipe for us, our genes,
169
432000
3000
De fato, a receita para nós, nossos genes,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
é exatamente esse mesmo código e essa mesma forma de escrever.
07:33
In fact, every living creature is written
171
438000
3000
De fato, cada ser vivo está escrito
07:36
in exactly the same set of letters and the same code.
172
441000
2000
exatamente no mesmo conjunto de letras e no mesmo código.
07:38
In fact, one of the things that I did
173
443000
2000
De fato, uma das coisas que fiz
07:40
just for amusement purposes
174
445000
2000
apenas por diversão
07:42
is we can now write things in this code.
175
447000
2000
é que podemos agora escrever coisas nesse código.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
E tenho aqui 100 microgramas de polvilho branco,
07:50
which I try not to let the security people see at airports.
177
455000
4000
que eu tento não deixar que os seguranças vejam em aeroportos.
07:54
(Laughter)
178
459000
2000
(Risadas)
07:56
But this has in it --
179
461000
2000
Mas isso tem nele --
07:58
what I did is I took this code --
180
463000
2000
o que fiz foi pegar esse código --
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
o código tem letras padrão que usamos para simbolizá-lo --
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
e escrevi meu cartão de visitas em um pedaço de DNA
08:06
and amplified it 10 to the 22 times.
183
471000
3000
e o amplifiquei por 10 elevado a 22.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Assim, se alguém quiser cem milhões de cópias de meu cartão de visitas,
08:12
I have plenty for everyone in the room,
185
477000
2000
tenho bastantes para todos na sala,
08:14
and, in fact, everyone in the world,
186
479000
2000
e, na verdade, todos no mundo,
08:16
and it's right here.
187
481000
3000
e estão bem aqui.
08:19
(Laughter)
188
484000
5000
(Risadas)
08:26
If I had really been a egotist,
189
491000
2000
Se eu fosse realmente um egoísta,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
teria colocado um vírus e liberado na sala.
08:31
(Laughter)
191
496000
5000
(Risadas)
08:39
So what was the next step?
192
504000
2000
Qual foi o próximo passo?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Escrever o DNA foi um passo interessante.
08:43
And that caused these cells --
194
508000
2000
E isso fez com que as células --
08:45
that kept them happy for another billion years.
195
510000
2000
se mantivessem felizes por outro bilhão de anos.
08:47
But then there was another really interesting step
196
512000
2000
Mas, então, houve um outro passo realmente interessante
08:49
where things became completely different,
197
514000
3000
no qual as coisas se tornaram completamente diferentes,
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
que foi quando essas células começaram a comunicar-se e trocar informação,
08:55
so that they began to get communities of cells.
199
520000
2000
e assim começaram a formar comunidades de células.
08:57
I don't know if you know this,
200
522000
2000
Não sei se sabem disso,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
mas as bactérias podem realmente trocar DNA.
09:01
Now that's why, for instance,
202
526000
2000
E é por causa disso, por exemplo,
09:03
antibiotic resistance has evolved.
203
528000
2000
que a resistência a antibióticos evoluiu.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Algumas bactérias descobriram como ficar longe da penicilina,
09:08
and it went around sort of creating its little DNA information
205
533000
3000
e acabaram como que criando essa pequena informação no DNA
09:11
with other bacteria,
206
536000
2000
com outra bactéria,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
e agora temos muitas bactérias que são resistentes à penicilina,
09:16
because bacteria communicate.
208
541000
2000
porque as bactérias se comunicam.
09:18
Now what this communication allowed
209
543000
2000
O que essa comunicação permitiu
09:20
was communities to form
210
545000
2000
foi as comunidades formarem-se
09:22
that, in some sense, were in the same boat together;
211
547000
2000
pois, num certo sentido, estavam juntas num mesmo barco;
09:24
they were synergistic.
212
549000
2000
elas eram sinérgicas.
09:26
So they survived
213
551000
2000
Assim, elas sobreviveram
09:28
or they failed together,
214
553000
2000
ou pereceram juntas,
09:30
which means that if a community was very successful,
215
555000
2000
o que significa que se a comunidade fosse bem sucedida,
09:32
all the individuals in that community
216
557000
2000
todos os indivíduos nessa comunidade
09:34
were repeated more
217
559000
2000
seriam mais repetidos
09:36
and they were favored by evolution.
218
561000
3000
e favorecidos pela evolução.
09:39
Now the transition point happened
219
564000
2000
Agora, o ponto de transição ocorreu
09:41
when these communities got so close
220
566000
2000
quando essas comunidades ficaram tão próximas
09:43
that, in fact, they got together
221
568000
2000
que, de fato, se juntaram
09:45
and decided to write down the whole recipe for the community
222
570000
3000
e decidiram escrever a receita completa para a comunidade
09:48
together on one string of DNA.
223
573000
3000
em um filamento do DNA.
09:51
And so the next stage that's interesting in life
224
576000
2000
E assim a próxima etapa que é interessante na vida
09:53
took about another billion years.
225
578000
2000
levou aproximadamente outro bilhão de anos.
09:55
And at that stage,
226
580000
2000
E nessa etapa,
09:57
we have multi-cellular communities,
227
582000
2000
temos comunidades pluricelulares,
09:59
communities of lots of different types of cells,
228
584000
2000
comunidade de muitos tipos diferentes de células,
10:01
working together as a single organism.
229
586000
2000
trabalhando juntas como um único organismo.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
E, na verdade, nós somos essas comunidades pluricelulares.
10:06
We have lots of cells
231
591000
2000
Temos muitas células
10:08
that are not out for themselves anymore.
232
593000
2000
que não atuam mais por si mesmas.
10:10
Your skin cell is really useless
233
595000
3000
Uma célula de pele é realmente sem valor
10:13
without a heart cell, muscle cell,
234
598000
2000
sem uma célula de coração, célula de músculo,
10:15
a brain cell and so on.
235
600000
2000
célula de cérebro e assim por diante.
10:17
So these communities began to evolve
236
602000
2000
Assim, essas comunidades começaram a evoluir
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
de modo que o nível interessante no qual a evolução estava ocorrendo
10:22
was no longer a cell,
238
607000
2000
não era mais a célula,
10:24
but a community which we call an organism.
239
609000
3000
mas a comunidade que chamamos de organismo.
10:28
Now the next step that happened
240
613000
2000
Daí o próximo passo que acontece
10:30
is within these communities.
241
615000
2000
é dentro dessas comunidades.
10:32
These communities of cells,
242
617000
2000
Essas comunidades de células,
10:34
again, began to abstract information.
243
619000
2000
novamente, começaram a abstrair informação.
10:36
And they began building very special structures
244
621000
3000
E começaram a construir estruturas muito especiais
10:39
that did nothing but process information within the community.
245
624000
3000
que não faziam outra coisa senão processar informação dentro da comunidade.
10:42
And those are the neural structures.
246
627000
2000
E essas são as estruturas neurais.
10:44
So neurons are the information processing apparatus
247
629000
3000
Portanto, os neurônios são o aparato para processar informação
10:47
that those communities of cells built up.
248
632000
3000
que essas comunidades de células construíram.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
E, na verdade, elas começaram a ter especialistas na comunidade
10:52
and special structures
250
637000
2000
e estruturas especiais
10:54
that were responsible for recording,
251
639000
2000
que eram responsáveis por registrar,
10:56
understanding, learning information.
252
641000
3000
entender, conhecer informação.
10:59
And that was the brains and the nervous system
253
644000
2000
E isso eram o cérebro e o sistema nervoso
11:01
of those communities.
254
646000
2000
dessas comunidades.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
E isso deu a elas uma vantagem evolucionária.
11:05
Because at that point,
256
650000
3000
Porque nesse ponto,
11:08
an individual --
257
653000
3000
um indivíduo --
11:11
learning could happen
258
656000
2000
o aprendizado podia ocorrer
11:13
within the time span of a single organism,
259
658000
2000
dentro do tempo de vida de um único organismo,
11:15
instead of over this evolutionary time span.
260
660000
3000
em vez de no tempo necessário à evolução.
11:18
So an organism could, for instance,
261
663000
2000
Dessa forma, um organismo podia, por exemplo,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
aprender a não comer um certo tipo de fruta
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
porque tinha gosto ruim e ele ficou doente quando a comeu.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Isso podia acontecer dentro do tempo de vida de um único organismo,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
enquanto que antes elas construíam essas informações especiais processando estruturas,
11:33
that would have had to be learned evolutionarily
266
678000
2000
que teriam que ser aprendidas evolucionariamente
11:35
over hundreds of thousands of years
267
680000
3000
por centenas de milhares de anos
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
com indivíduos que morreram porque comeram esse tipo de fruto.
11:41
So that nervous system,
269
686000
2000
Deste modo, esse sistema nervoso,
11:43
the fact that they built these special information structures,
270
688000
3000
o fato de que elas construíram essas estruturas especiais de informação,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
aceleraram tremendamente todo o processo de evolução.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Porque a evolução podia agora acontecer dentro de um indivíduo.
11:52
It could happen in learning time scales.
273
697000
3000
Podia acontecer em escalas de tempo da aprendizagem.
11:55
But then what happened
274
700000
2000
A seguir o que aconteceu
11:57
was the individuals worked out,
275
702000
2000
foi que os indivíduos desenvolveram,
11:59
of course, tricks of communicating.
276
704000
2000
é claro, truques para comunicar-se.
12:01
And for example,
277
706000
2000
E, por exemplo,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
a versão mais sofisticada de que temos conhecimento é a linguagem humana.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
É realmente uma invenção muito surpreendente se você pensa sobre ela.
12:09
Here I have a very complicated, messy,
280
714000
2000
Aqui eu tenho uma ideia muito complicada, desordenada
12:11
confused idea in my head.
281
716000
3000
e confusa em minha mente.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Estou sentado aqui fazendo sons e grunhidos basicamente,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
e, esperançosamente, construindo uma similar ideia desordenada e confusa em sua mente
12:20
that bears some analogy to it.
284
725000
2000
que apresenta alguma analogia com ela.
12:22
But we're taking something very complicated,
285
727000
2000
Estamos pegando algo muito complicado,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
transformando-o em som, sequências de sons,
12:27
and producing something very complicated in your brain.
287
732000
4000
e produzindo algo muito complicado em seu cérebro.
12:31
So this allows us now
288
736000
2000
Isso nos permite, agora,
12:33
to begin to start functioning
289
738000
2000
começar a funcionar
12:35
as a single organism.
290
740000
3000
como um único organismo.
12:38
And so, in fact, what we've done
291
743000
3000
E assim, na verdade, o que fizemos
12:41
is we, humanity,
292
746000
2000
é que nós, humanidade,
12:43
have started abstracting out.
293
748000
2000
começamos a abstrair.
12:45
We're going through the same levels
294
750000
2000
Estamos indo pelos mesmos níveis
12:47
that multi-cellular organisms have gone through --
295
752000
2000
que organismos pluricelulares foram --
12:49
abstracting out our methods of recording,
296
754000
3000
abstraindo de nossos métodos de registrar,
12:52
presenting, processing information.
297
757000
2000
apresentar, processar informação.
12:54
So for example, the invention of language
298
759000
2000
Dessa maneira, por exemplo, a invenção da linguagem
12:56
was a tiny step in that direction.
299
761000
3000
foi um pequenino passo nessa direção.
12:59
Telephony, computers,
300
764000
2000
Telefonia, computadores,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
fitas de vídeo, CD-ROMs e outros
13:04
are all our specialized mechanisms
302
769000
2000
são todos nossos mecanismos especializados
13:06
that we've now built within our society
303
771000
2000
que construímos dentro de nossa sociedade
13:08
for handling that information.
304
773000
2000
para lidar com essa informação.
13:10
And it all connects us together
305
775000
3000
E isso tudo nos conecta
13:13
into something
306
778000
2000
em algo
13:15
that is much bigger
307
780000
2000
que é muito maior
13:17
and much faster
308
782000
2000
e muito mais rápido
13:19
and able to evolve
309
784000
2000
e capaz de evoluir
13:21
than what we were before.
310
786000
2000
do que o que éramos antes.
13:23
So now, evolution can take place
311
788000
2000
Agora, a evolução pode acontecer
13:25
on a scale of microseconds.
312
790000
2000
numa escala de microssegundos.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
E vocês viram o pequeno exemplo evolucionário de Ty
13:29
where he sort of did a little bit of evolution
314
794000
2000
no qual ele como que colocou um pouquinho de evolução
13:31
on the Convolution program right before your eyes.
315
796000
3000
no programa Convolution (Convolução) bem diante de vocês.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Agora nós aceleramos as escalas de tempo mais uma vez.
13:37
So the first steps of the story that I told you about
317
802000
2000
Assim, os primeiros passos da história que lhes contei
13:39
took a billion years a piece.
318
804000
2000
levaram um bilhão de anos em cada fase.
13:41
And the next steps,
319
806000
2000
E os passos seguintes,
13:43
like nervous systems and brains,
320
808000
2000
como sistema nervoso e cérebros,
13:45
took a few hundred million years.
321
810000
2000
levaram algumas centenas de milhões de anos.
13:47
Then the next steps, like language and so on,
322
812000
3000
Os passos seguintes, como linguagem e assim por diante,
13:50
took less than a million years.
323
815000
2000
levaram menos que um milhão de anos.
13:52
And these next steps, like electronics,
324
817000
2000
E estes próximos passos, como a eletrônica,
13:54
seem to be taking only a few decades.
325
819000
2000
parecem levar apenas umas poucas décadas.
13:56
The process is feeding on itself
326
821000
2000
O processo está se alimentando em si mesmo
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
e transformando-se, eu acho, autocatálise é a palavra para isso --
14:01
when something reinforces its rate of change.
328
826000
3000
quando algo aumenta sua taxa de alteração.
14:04
The more it changes, the faster it changes.
329
829000
3000
Quanto mais ele muda, mais rápido ele muda.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
E penso que isso é o que estamos vendo aqui nesta explosão de curva.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Estamos vendo esse processo se realimentando em si mesmo.
14:13
Now I design computers for a living,
332
838000
3000
Projeto computadores como profissão,
14:16
and I know that the mechanisms
333
841000
2000
e sei que os mecanismos
14:18
that I use to design computers
334
843000
3000
que uso para projetar computadores
14:21
would be impossible
335
846000
2000
seriam impossíveis
14:23
without recent advances in computers.
336
848000
2000
sem os avanços recentes em computadores.
14:25
So right now, what I do
337
850000
2000
O que faço agora
14:27
is I design objects at such complexity
338
852000
3000
é projetar objetos de tal complexidade
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
que é realmente impossível para mim projetá-los no sentido tradicional.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Não sei o que cada transístor faz na conexão da máquina.
14:37
There are billions of them.
341
862000
2000
Existem bilhões deles.
14:39
Instead, what I do
342
864000
2000
Em vez disso, o que faço
14:41
and what the designers at Thinking Machines do
343
866000
3000
e o que os projetistas na Thinking Machines fazem
14:44
is we think at some level of abstraction
344
869000
2000
é pensar em um nível de abstração
14:46
and then we hand it to the machine
345
871000
2000
e então repassar isso para a máquina
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
e a máquina leva isso além do que poderíamos fazer,
14:51
much farther and faster than we could ever do.
347
876000
3000
muito mais distante e mais rápido do que poderíamos fazer.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
E, na verdade, algumas vezes ela leva com métodos
14:56
that we don't quite even understand.
349
881000
3000
que nem mesmo entendemos.
14:59
One method that's particularly interesting
350
884000
2000
Um método que é particularmente interessante,
15:01
that I've been using a lot lately
351
886000
3000
que tenho usado muito ultimamente,
15:04
is evolution itself.
352
889000
2000
é a própria evolução.
15:06
So what we do
353
891000
2000
O que fazemos
15:08
is we put inside the machine
354
893000
2000
é colocar dentro da máquina
15:10
a process of evolution
355
895000
2000
um processo de evolução
15:12
that takes place on the microsecond time scale.
356
897000
2000
que ocorre na escala de tempo dos microssegundos.
15:14
So for example,
357
899000
2000
Por exemplo,
15:16
in the most extreme cases,
358
901000
2000
nos casos mais extremos,
15:18
we can actually evolve a program
359
903000
2000
podemos realmente evoluir um programa
15:20
by starting out with random sequences of instructions.
360
905000
4000
começando com uma sequência aleatória de instruções.
15:24
Say, "Computer, would you please make
361
909000
2000
Digamos: "Computador, por favor, você poderia fazer
15:26
a hundred million random sequences of instructions.
362
911000
3000
cem milhões de sequências aleatórias de instruções.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Agora, por favor, você roda todas essas sequências aleatórias de instruções,
15:32
run all of those programs,
364
917000
2000
roda todos esses programas,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
e escolhe aquelas que mais se aproximam de fazer o que quero."
15:37
So in other words, I define what I wanted.
366
922000
2000
Em outras palavras, eu defini o que eu queria.
15:39
Let's say I want to sort numbers,
367
924000
2000
Digamos que eu queira pôr em ordem números,
15:41
as a simple example I've done it with.
368
926000
2000
como um simples exemplo do que se pode fazer.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Encontro programas que mais se aproximam de sequenciar números.
15:46
So of course, random sequences of instructions
370
931000
3000
Obviamente, sequências aleatórias de instruções
15:49
are very unlikely to sort numbers,
371
934000
2000
não põem ordem em números,
15:51
so none of them will really do it.
372
936000
2000
portanto, nenhuma delas vai realmente fazer isso.
15:53
But one of them, by luck,
373
938000
2000
Mas uma delas, por sorte,
15:55
may put two numbers in the right order.
374
940000
2000
pode colocar dois números na ordem correta.
15:57
And I say, "Computer,
375
942000
2000
E digo: "Computador,
15:59
would you please now take the 10 percent
376
944000
3000
você poderia, por favor, pegar os 10 por cento
16:02
of those random sequences that did the best job.
377
947000
2000
dessas sequências aleatórias que tiveram o melhor desempenho.
16:04
Save those. Kill off the rest.
378
949000
2000
Salve essas. Descarte as restantes.
16:06
And now let's reproduce
379
951000
2000
E agora vamos reproduzir
16:08
the ones that sorted numbers the best.
380
953000
2000
aquelas que melhor sequenciaram os números.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
E vamos reproduzi-las por um processo de recombinação
16:13
analogous to sex."
382
958000
2000
análogo ao sexo."
16:15
Take two programs and they produce children
383
960000
3000
Pegue dois programas e eles produzem filhos
16:18
by exchanging their subroutines,
384
963000
2000
trocando suas sub-rotinas,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
e as crianças herdam os traços das sub-rotinas dos dois programas.
16:23
So I've got now a new generation of programs
386
968000
3000
Obtive uma nova geração de programas
16:26
that are produced by combinations
387
971000
2000
que são produzidos pelas combinações
16:28
of the programs that did a little bit better job.
388
973000
2000
de programas que fizeram um trabalho um pouquinho melhor.
16:30
Say, "Please repeat that process."
389
975000
2000
Diga: "Por favor, repita esse processo."
16:32
Score them again.
390
977000
2000
Classifique-as novamente.
16:34
Introduce some mutations perhaps.
391
979000
2000
Introduza algumas mutações, talvez.
16:36
And try that again and do that for another generation.
392
981000
3000
Tente novamente e faça isso para uma outra geração.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Bem, cada uma dessas gerações leva apenas poucos milissegundos.
16:42
So I can do the equivalent
394
987000
2000
Dessa maneira, posso fazer o equivalente
16:44
of millions of years of evolution on that
395
989000
2000
a milhões de anos de evolução nisso
16:46
within the computer in a few minutes,
396
991000
3000
dentro do computador em poucos minutos,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
ou, nos casos complicados, em poucas horas.
16:51
At the end of that, I end up with programs
398
996000
3000
No fim disso, acabo com programas
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
que são absolutamente perfeitos para sequenciar números.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
De fato, eles são programas que são muito mais eficientes
16:59
than programs I could have ever written by hand.
401
1004000
2000
que programas que eu poderia escrever a mão.
17:01
Now if I look at those programs,
402
1006000
2000
Agora, se olho para esses programas,
17:03
I can't tell you how they work.
403
1008000
2000
não consigo dizer como eles funcionam.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Tentei olhar para eles e dizer como funcionam.
17:07
They're obscure, weird programs.
405
1012000
2000
Eles são programas estranhos, obscuros.
17:09
But they do the job.
406
1014000
2000
Mas eles executam a tarefa.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
De fato, eu sei, estou muito confiante de que eles executam a tarefa
17:14
because they come from a line
408
1019000
2000
porque eles vêm de uma linha
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
de centenas de milhares de programas que executaram a tarefa.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Na verdade, a vida deles dependia do executar a tarefa.
17:21
(Laughter)
411
1026000
4000
(Risadas)
17:26
I was riding in a 747
412
1031000
2000
Estava voando num 747
17:28
with Marvin Minsky once,
413
1033000
2000
com Marvin Minsky, certa vez,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
e ele puxa um cartão e diz: "Oh, veja. Olhe para isto.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Diz: 'Este avião tem centenas de milhares de minúsculas peças
17:37
working together to make you a safe flight.'
416
1042000
4000
trabalhando juntas para dar a você um voo seguro.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Isso não o deixa confiante?"
17:43
(Laughter)
418
1048000
2000
(Risadas)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Na verdade, sabemos que o processo de engenharia não funciona muito bem
17:48
when it gets complicated.
420
1053000
2000
quando se torna complicado.
17:50
So we're beginning to depend on computers
421
1055000
2000
Portanto, estamos começando a depender de computadores
17:52
to do a process that's very different than engineering.
422
1057000
4000
para fazer um processo que é muito diferente daquele da engenharia.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
E ele nos permite produzir coisas de muito maior complexidade
17:59
than normal engineering lets us produce.
424
1064000
2000
do que a engenharia normal nos permite produzir.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
E ainda assim, não entendemos muito bem as opções disto.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Em um certo sentido, está ficando à nossa frente.
18:06
We're now using those programs
427
1071000
2000
Agora estamos usando esses programas
18:08
to make much faster computers
428
1073000
2000
para fazer computadores muito mais rápidos
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
para que sejamos capazes de rodar esse processo mais rápido.
18:13
So it's feeding back on itself.
430
1078000
3000
Assim, está se realimentando em si mesmo.
18:16
The thing is becoming faster
431
1081000
2000
A coisa está ficando mais rápida
18:18
and that's why I think it seems so confusing.
432
1083000
2000
e é por isso que acho que parece tão confusa.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Porque todas essas tecnologias estão se realimentando em si mesmas.
18:23
We're taking off.
434
1088000
2000
Estamos decolando.
18:25
And what we are is we're at a point in time
435
1090000
3000
E o que somos é que estamos em um ponto no tempo
18:28
which is analogous to when single-celled organisms
436
1093000
2000
que é análogo a quando organismos unicelulares
18:30
were turning into multi-celled organisms.
437
1095000
3000
estavam se tornando organismos pluricelulares.
18:33
So we're the amoebas
438
1098000
2000
Portanto, somos as amebas
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
e não conseguimos imaginar o que diabos é essa coisa que estamos criando.
18:38
We're right at that point of transition.
440
1103000
2000
Estamos exatamente nesse ponto de transição.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Mas penso que realmente há algo vindo acelerado depois de nós.
18:43
I think it's very haughty of us
442
1108000
2000
Penso que é muita arrogância de nossa parte
18:45
to think that we're the end product of evolution.
443
1110000
3000
achar que somos o produto final da evolução.
18:48
And I think all of us here
444
1113000
2000
E penso que todos nós aqui
18:50
are a part of producing
445
1115000
2000
somos uma peça produzindo
18:52
whatever that next thing is.
446
1117000
2000
o que quer que seja essa próxima coisa.
18:54
So lunch is coming along,
447
1119000
2000
Então, o almoço está chegando,
18:56
and I think I will stop at that point,
448
1121000
2000
e acho que vou parar nesse ponto,
18:58
before I get selected out.
449
1123000
2000
antes que eu seja descartado.
19:00
(Applause)
450
1125000
3000
(Aplausos)
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