Danny Hillis: Back to the future (of 1994)

80,708 views ・ 2012-02-03

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Miklós Cseh Lektor: Laszlo Kereszturi
00:15
Because I usually take the role
0
15260
3000
Minthogy általában feladatom
00:18
of trying to explain to people
1
18260
2000
elmagyarázni az embereknek, hogy
00:20
how wonderful the new technologies
2
20260
3000
milyen csodálatosak lesznek azok az új technológiák
00:23
that are coming along are going to be,
3
23260
2000
amelyekkel hamarosan találkozhatunk,
00:25
and I thought that, since I was among friends here,
4
25260
3000
és mivel úgy gondolom, hogy barátok között lehettem itt,
00:28
I would tell you what I really think
5
28260
4000
elmondom, hogy mit is gondolok valójában,
00:32
and try to look back and try to understand
6
32260
2000
az időben visszatekintve megpróbálom megérteni
00:34
what is really going on here
7
34260
3000
tulajdonképpen mi a helyzet ezekkel
00:37
with these amazing jumps in technology
8
37260
5000
az elképesztő nagy technológiai ugrásokkal,
00:42
that seem so fast that we can barely keep on top of it.
9
42260
3000
amelyek olyan gyorsnak tűnnek, hogy alig tudjuk követni azokat.
00:45
So I'm going to start out
10
45260
2000
Szóval, kezdem azzal, hogy
00:47
by showing just one very boring technology slide.
11
47260
3000
mutatok önöknek egy nem túl izgalmas technológiával kapcsolatos diagramot.
00:50
And then, so if you can just turn on the slide that's on.
12
50260
3000
És aztán, ha megkaphatnám a beállított képet.
00:56
This is just a random slide
13
56260
2000
Ez egy véletlenszerűen kiválasztott diagram
00:58
that I picked out of my file.
14
58260
2000
a fájljaim közül.
01:00
What I want to show you is not so much the details of the slide,
15
60260
3000
Amit mutatni szeretnék, az nem annyira a részletei,
01:03
but the general form of it.
16
63260
2000
hanem az az általános forma, amit mutat.
01:05
This happens to be a slide of some analysis that we were doing
17
65260
3000
Ez a grafikon történetesen az általunk elemzett
01:08
about the power of RISC microprocessors
18
68260
3000
RISC processzorok teljesítményét mutatja
01:11
versus the power of local area networks.
19
71260
3000
összehasonlítva a helyi hálózatok kapacitásával.
01:14
And the interesting thing about it
20
74260
2000
Az érdekes ebben az,
01:16
is that this slide,
21
76260
2000
hogy ennek a grafikonnak,
01:18
like so many technology slides that we're used to,
22
78260
3000
mint sok más technológiához kapcsolódó grafikonnak,
01:21
is a sort of a straight line
23
81260
2000
egyeneshez közeli a képe
01:23
on a semi-log curve.
24
83260
2000
egy fél-logaritmikus skálán.
01:25
In other words, every step here
25
85260
2000
Más szóval minden beosztás
01:27
represents an order of magnitude
26
87260
2000
egy nagyságrenddel nagyobb értéket jelent
01:29
in performance scale.
27
89260
2000
a teljesítmény tengelyén.
01:31
And this is a new thing
28
91260
2000
És ez valami új dolog,
01:33
that we talk about technology
29
93260
2000
hogy amikor a technológiáról van szó,
01:35
on semi-log curves.
30
95260
2000
mi fél-logaritmikus beosztással ábrázolunk.
01:37
Something really weird is going on here.
31
97260
2000
Itt most valami nagyon különös dolog történik.
01:39
And that's basically what I'm going to be talking about.
32
99260
3000
És alapvetően ez az, amiről beszélni szeretnék.
01:42
So, if you could bring up the lights.
33
102260
3000
Tehát, kaphatnék ide egy kis fényt?
01:47
If you could bring up the lights higher,
34
107260
2000
Egy kicsivel erősebb fényt kérnék,
01:49
because I'm just going to use a piece of paper here.
35
109260
3000
mert erre a papírra szeretnék rajzolni.
01:52
Now why do we draw technology curves
36
112260
2000
Miért is rajzoljuk a technológiával kapcsolatos görbéket
01:54
in semi-log curves?
37
114260
2000
fél-logaritmikus beosztással?
01:56
Well the answer is, if I drew it on a normal curve
38
116260
3000
A válasz a következő: Ha ezt normál beosztással tennénk meg
01:59
where, let's say, this is years,
39
119260
2000
nos, ezek itt az évek
02:01
this is time of some sort,
40
121260
2000
vagy valamilyen időtengely,
02:03
and this is whatever measure of the technology
41
123260
3000
ez pedig valamilyen mértékegysége a technológiai fejlődésnek
02:06
that I'm trying to graph,
42
126260
3000
ezen a grafikonon
02:09
the graphs look sort of silly.
43
129260
3000
akkor a grafikon nagyon furcsán nézne ki.
02:12
They sort of go like this.
44
132260
3000
Valahogy így.
02:15
And they don't tell us much.
45
135260
3000
És nem lenne túlzottan sokatmondó.
02:18
Now if I graph, for instance,
46
138260
3000
Most ha én ábrázolni szeretném
02:21
some other technology, say transportation technology,
47
141260
2000
valamelyik másik technológia, például a szállítástechnológia fejlődését
02:23
on a semi-log curve,
48
143260
2000
fél-logaritmikus skálán,
02:25
it would look very stupid, it would look like a flat line.
49
145260
3000
nagyon furcsán hatna, majdnem egy vízszintes vonal lenne.
02:28
But when something like this happens,
50
148260
2000
De amikor valami ehhez hasonló történik,
02:30
things are qualitatively changing.
51
150260
2000
akkor itt alapvető változások mennek végbe.
02:32
So if transportation technology
52
152260
2000
Ha a fejlődés a szállítástechnológiában
02:34
was moving along as fast as microprocessor technology,
53
154260
3000
olyan gyorsan történne, mint a mikroprocesszorok terén
02:37
then the day after tomorrow,
54
157260
2000
akkor holnapután
02:39
I would be able to get in a taxi cab
55
159260
2000
beszállhatnék egy taxiba és
02:41
and be in Tokyo in 30 seconds.
56
161260
2000
30 másodperc múlva Tokióban lehetnék.
02:43
It's not moving like that.
57
163260
2000
Természetesen nem ez a helyzet.
02:45
And there's nothing precedented
58
165260
2000
Nincs precedens
02:47
in the history of technology development
59
167260
2000
a technológiai fejlődés eddigi történetében
02:49
of this kind of self-feeding growth
60
169260
2000
még egy ilyen öngerjesztő növekedésre
02:51
where you go by orders of magnitude every few years.
61
171260
3000
amely néhány év leforgása alatt nagyságrendekkel változott volna.
02:54
Now the question that I'd like to ask is,
62
174260
3000
Nos, amit szeretnék mondani az,
02:57
if you look at these exponential curves,
63
177260
3000
ha megnézzük ezt az exponenciális görbét,
03:00
they don't go on forever.
64
180260
3000
hogy örökké nem növekedhetnek.
03:03
Things just can't possibly keep changing
65
183260
3000
Nem lehet az, hogy a dolgok folyton változzanak
03:06
as fast as they are.
66
186260
2000
ebben az ütemben
03:08
One of two things is going to happen.
67
188260
3000
Két dolog lehetséges
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
191260
4000
Vagy egy klasszikus S-görbévé alakul,
03:15
until something totally different comes along,
69
195260
4000
amikor valami teljesen eltérő dolog következik be,
03:19
or maybe it's going to do this.
70
199260
2000
vagy ez történik
03:21
That's about all it can do.
71
201260
2000
Ez a két dolog történhet.
03:23
Now I'm an optimist,
72
203260
2000
Én optimista vagyok
03:25
so I sort of think it's probably going to do something like that.
73
205260
3000
tehát úgy gondolom, hogy valami ehhez hasonló fog történni.
03:28
If so, that means that what we're in the middle of right now
74
208260
3000
Ha ez így van, akkor éppen most zajlik
03:31
is a transition.
75
211260
2000
az átmenet
03:33
We're sort of on this line
76
213260
2000
Valahol itt vagyunk most
03:35
in a transition from the way the world used to be
77
215260
2000
egy átmeneti szakaszban az egykori világ
03:37
to some new way that the world is.
78
217260
3000
és az eljövendő világ között.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
220260
3000
És amit kérdezni szeretnék, és amit már egy ideje kérdezgetek magamtól, az, hogy
03:43
is what's this new way that the world is?
80
223260
3000
milyen lesz ez az új világ?
03:46
What's that new state that the world is heading toward?
81
226260
3000
A világ milyen új szakasza felé tartunk?
03:49
Because the transition seems very, very confusing
82
229260
3000
Mert az átmenet nagyon-nagyon átláthatatlan,
03:52
when we're right in the middle of it.
83
232260
2000
amikor éppen a közepén van az ember.
03:54
Now when I was a kid growing up,
84
234260
3000
Gyerekkoromban
03:57
the future was kind of the year 2000,
85
237260
3000
a 2000-ik év jelentette a jövőt
04:00
and people used to talk about what would happen in the year 2000.
86
240260
4000
és az emberek arról beszéltek, hogy mi lesz 2000-ben.
04:04
Now here's a conference
87
244260
2000
Most pedig [1994] egy konferencián vagyunk, ahol
04:06
in which people talk about the future,
88
246260
2000
az emberek a jövőről beszélgetnek.
04:08
and you notice that the future is still at about the year 2000.
89
248260
3000
és láthatóan, a jövőt még mindig a 2000-es év jelenti.
04:11
It's about as far as we go out.
90
251260
2000
Kb. eddig megyünk el.
04:13
So in other words, the future has kind of been shrinking
91
253260
3000
Más szóval a jövőnk évente
04:16
one year per year
92
256260
3000
egy évvel zsugorodott
04:19
for my whole lifetime.
93
259260
3000
egész életemben.
04:22
Now I think that the reason
94
262260
2000
Ennek azt hiszem az az oka,
04:24
is because we all feel
95
264260
2000
hogy mindannyian úgy érezzük, hogy
04:26
that something's happening there.
96
266260
2000
valami történik éppen.
04:28
That transition is happening. We can all sense it.
97
268260
2000
Az átmenet történéseit érzi mindenki.
04:30
And we know that it just doesn't make too much sense
98
270260
2000
És tudjuk, hogy nem túl sok értelme van
04:32
to think out 30, 50 years
99
272260
2000
30-50 évre előre gondolkodni,
04:34
because everything's going to be so different
100
274260
3000
mert minden annyira más lesz akkor,
04:37
that a simple extrapolation of what we're doing
101
277260
2000
hogy mai állapotból kiinduló jóslatoknak
04:39
just doesn't make any sense at all.
102
279260
3000
nem sok értelmük van.
04:42
So what I would like to talk about
103
282260
2000
Tehát, amiről beszélni szeretnék, az az,
04:44
is what that could be,
104
284260
2000
hogy mi lehet ez,
04:46
what that transition could be that we're going through.
105
286260
3000
mi lehet ez az átmeneti állapot, amiben éppen vagyunk.
04:49
Now in order to do that
106
289260
3000
Azért, hogy ezt megtegyem
04:52
I'm going to have to talk about a bunch of stuff
107
292260
2000
beszélnem kell sok más olyan dologról
04:54
that really has nothing to do
108
294260
2000
aminek semmi köze sincs
04:56
with technology and computers.
109
296260
2000
a technológiákhoz, és a számítógéphez.
04:58
Because I think the only way to understand this
110
298260
2000
Mert az egyetlen módja, hogy ezt megértsük az,
05:00
is to really step back
111
300260
2000
hogy visszatekintünk
05:02
and take a long time scale look at things.
112
302260
2000
és hosszú idő távlatában vizsgáljuk a dolgokat.
05:04
So the time scale that I would like to look at this on
113
304260
3000
És ez az idő távlat, amire visszatekintek,
05:07
is the time scale of life on Earth.
114
307260
3000
a földi élet keletkezéséig nyúlik vissza.
05:13
So I think this picture makes sense
115
313260
2000
Akkor válik világossá a dolog,
05:15
if you look at it a few billion years at a time.
116
315260
4000
ha visszarepülünk néhány milliárd évet az időben.
05:19
So if you go back
117
319260
2000
Tehát ha visszamegyünk
05:21
about two and a half billion years,
118
321260
2000
körülbelül két és fél milliárd évet
05:23
the Earth was this big, sterile hunk of rock
119
323260
3000
amikor a Föld egy nagy élettelen kőhalom volt
05:26
with a lot of chemicals floating around on it.
120
326260
3000
amelyet különféle kémiai anyagok vettek körül.
05:29
And if you look at the way
121
329260
2000
És ha megnézzük, hogy
05:31
that the chemicals got organized,
122
331260
2000
ezek a kémiai anyagok hogyan szerveződtek
05:33
we begin to get a pretty good idea of how they do it.
123
333260
3000
manapság már kezdünk tisztán látni ebben a dologban,
05:36
And I think that there's theories that are beginning to understand
124
336260
3000
és vannak elméletek, amelyek már egész jól leírják
05:39
about how it started with RNA,
125
339260
2000
az RNS kialakulását
05:41
but I'm going to tell a sort of simple story of it,
126
341260
3000
de én ezt csak egy egyszerű formában mondom el most.
05:44
which is that, at that time,
127
344260
2000
Abban az időben
05:46
there were little drops of oil floating around
128
346260
3000
kis úszó olajcseppek voltak szerte-szét
05:49
with all kinds of different recipes of chemicals in them.
129
349260
3000
amelyeknek különbözött a kémiai összetétele.
05:52
And some of those drops of oil
130
352260
2000
Néhány olajcsepp
05:54
had a particular combination of chemicals in them
131
354260
2000
olyan kémiai összetétellel rendelkezett,
05:56
which caused them to incorporate chemicals from the outside
132
356260
3000
amely külső anyagok befogadását tette lehetővé,
05:59
and grow the drops of oil.
133
359260
3000
így ezek az olajcseppek nőttek.
06:02
And those that were like that
134
362260
2000
Azok, amelyekre ez volt a jellemző,
06:04
started to split and divide.
135
364260
2000
elkezdtek osztódni.
06:06
And those were the most primitive forms of cells in a sense,
136
366260
3000
Bizonyos értelemben a legősibb sejtformák
06:09
those little drops of oil.
137
369260
2000
ezek a kis olajcseppek voltak.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
371260
3000
De ezeket még, a mai értelemben véve, nem tekinthetjük élőknek
06:14
because every one of them
139
374260
2000
mert mindegyiket
06:16
was a little random recipe of chemicals.
140
376260
2000
más és más véletlenszerű kémiai anyagok alkották.
06:18
And every time it divided,
141
378260
2000
És ahányszor osztódtak
06:20
they got sort of unequal division
142
380260
3000
egyenlőtlen eloszlásban vált ketté
06:23
of the chemicals within them.
143
383260
2000
a bennük lévő kémiai anyag.
06:25
And so every drop was a little bit different.
144
385260
3000
És így minden csepp egy kicsit különbözött a másiktól.
06:28
In fact, the drops that were different in a way
145
388260
2000
Valójában azok cseppek, amelyek abban különböztek a többitől,
06:30
that caused them to be better
146
390260
2000
hogy jobban befogadták
06:32
at incorporating chemicals around them,
147
392260
2000
a környezetükben lévő kémiai anyagokat
06:34
grew more and incorporated more chemicals and divided more.
148
394260
3000
jobban növekedtek, több anyagot halmoztak fel, és többször osztódtak.
06:37
So those tended to live longer,
149
397260
2000
Így azok, amelyek tovább éltek,
06:39
get expressed more.
150
399260
3000
jobban érvényesültek.
06:42
Now that's sort of just a very simple
151
402260
3000
Ez egy nagyon egyszerű
06:45
chemical form of life,
152
405260
2000
úgynevezett vegyi életforma.
06:47
but when things got interesting
153
407260
3000
A dolog azonban akkor kezdett érdekessé válni,
06:50
was when these drops
154
410260
2000
amikor ezek a cseppek
06:52
learned a trick about abstraction.
155
412260
3000
megtanulták az absztrakció egy trükkjét.
06:55
Somehow by ways that we don't quite understand,
156
415260
3000
Valamilyen módon, amit nem igazán értünk,
06:58
these little drops learned to write down information.
157
418260
3000
ezek a cseppek megtanulták feljegyezni az információt.
07:01
They learned to record the information
158
421260
2000
Megtanulták megörökíteni azt az információt,
07:03
that was the recipe of the cell
159
423260
2000
amelyet a sejt receptként használhatott
07:05
onto a particular kind of chemical
160
425260
2000
egy speciális kémiai anyaghoz
07:07
called DNA.
161
427260
2000
a DNS-hez.
07:09
So in other words, they worked out,
162
429260
2000
Más szóval, ezek a cseppek kidolgoztak
07:11
in this mindless sort of evolutionary way,
163
431260
3000
tudattalanul egy olyan evolúciós feljegyzési módszert
07:14
a form of writing that let them write down what they were,
164
434260
3000
önmaguk meghatározására,
07:17
so that that way of writing it down could get copied.
165
437260
3000
amellyel a feljegyzett információt másolhatták.
07:20
The amazing thing is that that way of writing
166
440260
3000
Az az elképesztő ebben, hogy a módszer
07:23
seems to have stayed steady
167
443260
2000
úgy tűnik nem változott
07:25
since it evolved two and a half billion years ago.
168
445260
2000
amióta két és fél milliárd éve kialakult.
07:27
In fact the recipe for us, our genes,
169
447260
3000
Valójában a génjeink receptje
07:30
is exactly that same code and that same way of writing.
170
450260
3000
ma is ugyanezzel a kóddal és módszerrel íródik.
07:33
In fact, every living creature is written
171
453260
3000
Valójában minden élőlény kódja
07:36
in exactly the same set of letters and the same code.
172
456260
2000
pontosan ugyanezzel a kódkészlettel íródik.
07:38
In fact, one of the things that I did
173
458260
2000
Az egyik dolog, amit
07:40
just for amusement purposes
174
460260
2000
kedvtelésből készítettem, az
07:42
is we can now write things in this code.
175
462260
2000
hogy most már tudunk ezzel a kóddal írni.
07:44
And I've got here a little 100 micrograms of white powder,
176
464260
6000
Van itt nálam 100 mikrogramm fehér por, amit
07:50
which I try not to let the security people see at airports.
177
470260
4000
próbáltam rejtegetni a reptéri biztonságiak elől.
07:54
(Laughter)
178
474260
2000
(Nevetés)
07:56
But this has in it --
179
476260
2000
De ez van benne.
07:58
what I did is I took this code --
180
478260
2000
Tehát, vettem ezt a kódot,
08:00
the code has standard letters that we use for symbolizing it --
181
480260
3000
amelyben a normál abc betűit használjuk a leírásra,
08:03
and I wrote my business card onto a piece of DNA
182
483260
3000
és kiírtam a névjegykártyámat egy darab DNS-re
08:06
and amplified it 10 to the 22 times.
183
486260
3000
és megsokszoroztam 10 a 22-enszer.
08:09
So if anyone would like a hundred million copies of my business card,
184
489260
3000
Tehát, ha valakinek szüksége lenne százmillió példányban a névjegykártyámra,
08:12
I have plenty for everyone in the room,
185
492260
2000
Jut belőle mindenkinek a teremben,
08:14
and, in fact, everyone in the world,
186
494260
2000
valójában a világon mindenkinek,
08:16
and it's right here.
187
496260
3000
és itt van nálam.
08:19
(Laughter)
188
499260
5000
(Nevetés)
08:26
If I had really been a egotist,
189
506260
2000
Ha nagyon egoista lettem volna,
08:28
I would have put it into a virus and released it in the room.
190
508260
3000
egy vírusba tettem volna, és szabadon engedtem volna a teremben.
08:31
(Laughter)
191
511260
5000
(Nevetés)
08:39
So what was the next step?
192
519260
2000
Tehát, mi volt a következő szakasz?
08:41
Writing down the DNA was an interesting step.
193
521260
2000
A DNS feljegyzése egy érdekes szakasz volt.
08:43
And that caused these cells --
194
523260
2000
A sejtek ettől
08:45
that kept them happy for another billion years.
195
525260
2000
boldogok voltak úgy egymilliárd évig.
08:47
But then there was another really interesting step
196
527260
2000
De volt egy másik érdekes lépés,
08:49
where things became completely different,
197
529260
3000
amely egy merőben új dolgot hozott.
08:52
which is these cells started exchanging and communicating information,
198
532260
3000
A sejtek elkezdtek egymással kommunikálni, információt cserélni azért,
08:55
so that they began to get communities of cells.
199
535260
2000
hogy sejtek közösségét alakítsák ki.
08:57
I don't know if you know this,
200
537260
2000
Nem tudom, hogy tudják-e,
08:59
but bacteria can actually exchange DNA.
201
539260
2000
de a baktériumok képesek a DNS-üket kicserélni egymással.
09:01
Now that's why, for instance,
202
541260
2000
Emiatt van az, hogy
09:03
antibiotic resistance has evolved.
203
543260
2000
ellenállók lettek az antibiotikumokra.
09:05
Some bacteria figured out how to stay away from penicillin,
204
545260
3000
Néhány baktérium rájött, hogy hogyan kerülheti el a penicillint,
09:08
and it went around sort of creating its little DNA information
205
548260
3000
és úgymond körbejárt, hogy más baktériumok is beépíthessék
09:11
with other bacteria,
206
551260
2000
ezt a DNS rész információt.
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
553260
3000
És most sok baktérium ellenálló a penicillinnel szemben
09:16
because bacteria communicate.
208
556260
2000
a baktériumok közötti kommunikáció miatt.
09:18
Now what this communication allowed
209
558260
2000
Ez a kommunikáció tette lehetővé
09:20
was communities to form
210
560260
2000
olyan sejtközösségek formálódását,
09:22
that, in some sense, were in the same boat together;
211
562260
2000
amelyek úgymond egy hajóban evezve
09:24
they were synergistic.
212
564260
2000
együttműködtek.
09:26
So they survived
213
566260
2000
Vagy mind túlélték,
09:28
or they failed together,
214
568260
2000
vagy együtt vesztek oda.
09:30
which means that if a community was very successful,
215
570260
2000
Ez azt jelentette, hogy ha egy közösség nagyon jól működött,
09:32
all the individuals in that community
216
572260
2000
a benne lévő minden egyed
09:34
were repeated more
217
574260
2000
megtöbbszöröződhetett
09:36
and they were favored by evolution.
218
576260
3000
és az evolúció nyertese lehetett.
09:39
Now the transition point happened
219
579260
2000
Az átmenet akkor történt,
09:41
when these communities got so close
220
581260
2000
amikor ezek a közösségek annyira összetömörültek,
09:43
that, in fact, they got together
221
583260
2000
hogy valójában egy egységet alkotva
09:45
and decided to write down the whole recipe for the community
222
585260
3000
a teljes receptet elkezdték leírni a közösség számára
09:48
together on one string of DNA.
223
588260
3000
egy DNS szálra.
09:51
And so the next stage that's interesting in life
224
591260
2000
Érdekes a dologban, hogy ez az újabb szakasz
09:53
took about another billion years.
225
593260
2000
még egy milliárd évig tartott.
09:55
And at that stage,
226
595260
2000
És ebben a szakaszban alakultak ki a
09:57
we have multi-cellular communities,
227
597260
2000
több sejtből álló közösségek,
09:59
communities of lots of different types of cells,
228
599260
2000
közösségek, amelyeket sok különféle típusú sejt alkotott,
10:01
working together as a single organism.
229
601260
2000
és amelyek egyetlen organizmusként működtek.
10:03
And in fact, we're such a multi-cellular community.
230
603260
3000
Valójában mi is ilyen többsejtből szerveződő közösség vagyunk.
10:06
We have lots of cells
231
606260
2000
Sok sejtünk van,
10:08
that are not out for themselves anymore.
232
608260
2000
amelyek nem önmagukért léteznek többé.
10:10
Your skin cell is really useless
233
610260
3000
A bőrsejtek teljesen használhatatlanok
10:13
without a heart cell, muscle cell,
234
613260
2000
a szív vagy izomsejtek,
10:15
a brain cell and so on.
235
615260
2000
vagy éppen az agysejtek nélkül.
10:17
So these communities began to evolve
236
617260
2000
Szóval, ezek mint egy közösség kezdtek továbbfejlődni
10:19
so that the interesting level on which evolution was taking place
237
619260
3000
így az evolúciós fejlődés már
10:22
was no longer a cell,
238
622260
2000
nem a sejtek szintjén vált érdekessé,
10:24
but a community which we call an organism.
239
624260
3000
hanem a közösség szintjén, amit most szervezetnek hívunk.
10:28
Now the next step that happened
240
628260
2000
A következő lépés ezeken a
10:30
is within these communities.
241
630260
2000
közösségeken belül történt.
10:32
These communities of cells,
242
632260
2000
Ezek a sejtközösségek
10:34
again, began to abstract information.
243
634260
2000
újra elkezdték értelmezni az információkat
10:36
And they began building very special structures
244
636260
3000
és olyan speciális egységeket kezdtek kialakítani,
10:39
that did nothing but process information within the community.
245
639260
3000
amelyek egyetlen feladata a közösségen belüli információ feldolgozás volt.
10:42
And those are the neural structures.
246
642260
2000
Neurális struktúrák alakultak.
10:44
So neurons are the information processing apparatus
247
644260
3000
Tehát a neuronok azok az információfeldolgozó egységek,
10:47
that those communities of cells built up.
248
647260
3000
amelyeket ezek a sejtközösségek alakítottak ki.
10:50
And in fact, they began to get specialists in the community
249
650260
2000
A közösségen belül speciális egységgé,
10:52
and special structures
250
652260
2000
struktúrává alakultak, amelyek
10:54
that were responsible for recording,
251
654260
2000
felelősek lettek az információk feljegyzéséért,
10:56
understanding, learning information.
252
656260
3000
megértéséért, és megtanulásáért.
10:59
And that was the brains and the nervous system
253
659260
2000
Így vált a közösség agyává, ill.
11:01
of those communities.
254
661260
2000
idegrendszerévé.
11:03
And that gave them an evolutionary advantage.
255
663260
2000
Ez evolúciós előnyt jelentett a sejtközösségnek,
11:05
Because at that point,
256
665260
3000
mert ezen a ponton
11:08
an individual --
257
668260
3000
az egyéni
11:11
learning could happen
258
671260
2000
tanulási folyamat végbemehetett már
11:13
within the time span of a single organism,
259
673260
2000
egyetlen szervezet életszakaszában,
11:15
instead of over this evolutionary time span.
260
675260
3000
szemben az addigi evolúciós időszakasszal.
11:18
So an organism could, for instance,
261
678260
2000
Tehát egy szervezet képes lett például
11:20
learn not to eat a certain kind of fruit
262
680260
2000
megtanulni, hogy ne egyen meg bizonyos gyümölcsöt
11:22
because it tasted bad and it got sick last time it ate it.
263
682260
4000
mert rossz íze volt, és beteg lett miután múlt alkalommal megette.
11:26
That could happen within the lifetime of a single organism,
264
686260
3000
Ez megtörténhetett egy szervezet életszakaszán belül,
11:29
whereas before they'd built these special information processing structures,
265
689260
4000
míg mielőtt ezek a speciális információfeldolgozó struktúrák kialakultak,
11:33
that would have had to be learned evolutionarily
266
693260
2000
ennek megtanulására az evolúció során
11:35
over hundreds of thousands of years
267
695260
3000
több százezer évre volt szükség
11:38
by the individuals dying off that ate that kind of fruit.
268
698260
3000
úgy, hogy egyedek haltak meg a megevett gyümölcstől.
11:41
So that nervous system,
269
701260
2000
Tehát ez az idegrendszer
11:43
the fact that they built these special information structures,
270
703260
3000
azzal, hogy kialakította ezeket a speciális információs struktúrákat,
11:46
tremendously sped up the whole process of evolution.
271
706260
3000
hihetetlenül felgyorsította az evolúció folyamatát.
11:49
Because evolution could now happen within an individual.
272
709260
3000
Mert az evolúciós folyamat ekkor már az egyénen belül történhetett.
11:52
It could happen in learning time scales.
273
712260
3000
A tanulási időn belül történhetett.
11:55
But then what happened
274
715260
2000
És ami ezután történt az,
11:57
was the individuals worked out,
275
717260
2000
hogy az egyedek kommunikációs trükköket
11:59
of course, tricks of communicating.
276
719260
2000
fejlesztettek ki.
12:01
And for example,
277
721260
2000
Itt van például
12:03
the most sophisticated version that we're aware of is human language.
278
723260
3000
a legkifinomultabb azok közül, amit ismerünk, az emberi nyelv.
12:06
It's really a pretty amazing invention if you think about it.
279
726260
3000
Ha belegondolunk, ez tényleg egy hihetetlen találmány.
12:09
Here I have a very complicated, messy,
280
729260
2000
Itt van egy nagyon bonyolult, rendezetlen,
12:11
confused idea in my head.
281
731260
3000
zavaros gondolat a fejemben.
12:14
I'm sitting here making grunting sounds basically,
282
734260
3000
Itt ülök, alapvetően morgó hangokat adok ki,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
737260
3000
remélve, hogy kialakítok egy hasonlóan rendezetlen, zavaros gondolatot az önök fejében.
12:20
that bears some analogy to it.
284
740260
2000
ami hasonló jelentést hordoz.
12:22
But we're taking something very complicated,
285
742260
2000
Veszünk valami nagyon bonyolult dolgot,
12:24
turning it into sound, sequences of sounds,
286
744260
3000
hanggá, ill. hangok sorozatává alakítjuk,
12:27
and producing something very complicated in your brain.
287
747260
4000
kialakítva valami nagyon komplikált dolgot az önök fejében.
12:31
So this allows us now
288
751260
2000
Ez teszi lehetővé azt, hogy
12:33
to begin to start functioning
289
753260
2000
úgy kezdjünk funkcionálni,
12:35
as a single organism.
290
755260
3000
mint egyetlen szervezet.
12:38
And so, in fact, what we've done
291
758260
3000
Tulajdonképpen, amit mi teszünk,
12:41
is we, humanity,
292
761260
2000
mi, az emberiség, hogy
12:43
have started abstracting out.
293
763260
2000
absztrakciót végzünk.
12:45
We're going through the same levels
294
765260
2000
Ugyanazokon a szinteken megyünk végig,
12:47
that multi-cellular organisms have gone through --
295
767260
2000
amelyeken a többsejtű szervezetek mentek végig --
12:49
abstracting out our methods of recording,
296
769260
3000
absztrahálva az információ feljegyzésének módszereit,
12:52
presenting, processing information.
297
772260
2000
az információközlést és feldolgozást.
12:54
So for example, the invention of language
298
774260
2000
Tehát a nyelv mint találmány
12:56
was a tiny step in that direction.
299
776260
3000
csak egy kis lépés volt ebbe az irányba.
12:59
Telephony, computers,
300
779260
2000
Telefon, számítógép,
13:01
videotapes, CD-ROMs and so on
301
781260
3000
videoszalag, CD-ROM-ok stb.
13:04
are all our specialized mechanisms
302
784260
2000
mind speciális eszközök,
13:06
that we've now built within our society
303
786260
2000
amelyeket beépítettünk a társadalomunkba
13:08
for handling that information.
304
788260
2000
az információk kezelésére.
13:10
And it all connects us together
305
790260
3000
És ezek mind összekapcsolnak bennünket
13:13
into something
306
793260
2000
egy olyan valamivé
13:15
that is much bigger
307
795260
2000
ami sokkal nagyobb,
13:17
and much faster
308
797260
2000
sokkal gyorsabb,
13:19
and able to evolve
309
799260
2000
és nagyobb fejlődésre képes
13:21
than what we were before.
310
801260
2000
mint ami azelőtt voltunk.
13:23
So now, evolution can take place
311
803260
2000
Így az evolúció bekövetkezhet
13:25
on a scale of microseconds.
312
805260
2000
mikroszekundumnyi idő alatt.
13:27
And you saw Ty's little evolutionary example
313
807260
2000
Önök láthatták Ty kis evolúciós példáján,
13:29
where he sort of did a little bit of evolution
314
809260
2000
ahol egy kis mini evolúciós folyamatot mutatott be
13:31
on the Convolution program right before your eyes.
315
811260
3000
a Konvolúciós program segítségével itt önök előtt.
13:34
So now we've speeded up the time scales once again.
316
814260
3000
Ismételten lerövidítjük ezeket az időintervellumokat
13:37
So the first steps of the story that I told you about
317
817260
2000
Az első szakasz, amiről említést tettem,
13:39
took a billion years a piece.
318
819260
2000
egy milliárd évig tartott.
13:41
And the next steps,
319
821260
2000
És a következő szakaszok,
13:43
like nervous systems and brains,
320
823260
2000
mint például az idegrendszer és az agy
13:45
took a few hundred million years.
321
825260
2000
néhány száz millió évet vett igénybe.
13:47
Then the next steps, like language and so on,
322
827260
3000
Aztán a következő szakasz, mint a nyelv kialakulása is
13:50
took less than a million years.
323
830260
2000
kevesebb, mint egymillió évig tartott.
13:52
And these next steps, like electronics,
324
832260
2000
És az éppen elkövetkezendő elektronikai szakasz
13:54
seem to be taking only a few decades.
325
834260
2000
láthatóan csak néhány évtizede tart.
13:56
The process is feeding on itself
326
836260
2000
A folyamat önmagát felerősíti,
13:58
and becoming, I guess, autocatalytic is the word for it --
327
838260
3000
és válik úgymond önmaga katalizátorává --
14:01
when something reinforces its rate of change.
328
841260
3000
ahol valami növeli a változás mértékét.
14:04
The more it changes, the faster it changes.
329
844260
3000
Minél jobban változik annál nagyobb a változás sebessége.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
847260
3000
És azt hiszem ezt látjuk itt kiugrásnak ezen a grafikonon.
14:10
We're seeing this process feeding back on itself.
331
850260
3000
Látjuk, ahogy a folyamat önmagát felerősíti.
14:13
Now I design computers for a living,
332
853260
3000
Most az a munkám, hogy számítógépeket tervezzek,
14:16
and I know that the mechanisms
333
856260
2000
és tudom, hogy azok a módszerek,
14:18
that I use to design computers
334
858260
3000
amiket a tervezéshez használok
14:21
would be impossible
335
861260
2000
kivitelezhetetlenek lennének
14:23
without recent advances in computers.
336
863260
2000
a számítógépes fejlesztések legújabb eredményei nélkül.
14:25
So right now, what I do
337
865260
2000
Tehát, amit most csinálok az az,
14:27
is I design objects at such complexity
338
867260
3000
hogy olyan bonyolultságú dolgokat készítek,
14:30
that it's really impossible for me to design them in the traditional sense.
339
870260
3000
amely hagyományos értelembe vett tervezéssel nem volna lehetséges.
14:33
I don't know what every transistor in the connection machine does.
340
873260
4000
Nem tudom, hogy a szuperszámítógépünk minden egyes tranzisztora mit csinál.
14:37
There are billions of them.
341
877260
2000
Több milliárd van benne.
14:39
Instead, what I do
342
879260
2000
Ehelyett, amit csinálok,
14:41
and what the designers at Thinking Machines do
343
881260
3000
és amit a Thinking Machines tervezői csinálnak az,
14:44
is we think at some level of abstraction
344
884260
2000
hogy egy adott absztrakciós szinten gondolkozunk,
14:46
and then we hand it to the machine
345
886260
2000
ezt bevisszük a számítógépbe
14:48
and the machine takes it beyond what we could ever do,
346
888260
3000
és a gép ezt olyan szintre viszi, amit mi soha el nem érnénk,
14:51
much farther and faster than we could ever do.
347
891260
3000
olyan távlatokba, olyan gyorsan, ahogy azt soha meg nem tehetnénk.
14:54
And in fact, sometimes it takes it by methods
348
894260
2000
És néha ezt olyan módszerek teszik meg,
14:56
that we don't quite even understand.
349
896260
3000
amelyeket nem igazán értünk.
14:59
One method that's particularly interesting
350
899260
2000
Az egyik ilyen módszer, ami különösen érdekes,
15:01
that I've been using a lot lately
351
901260
3000
amellyel mostanában sokat foglalkozom,
15:04
is evolution itself.
352
904260
2000
maga az evolúció.
15:06
So what we do
353
906260
2000
Amit mi csinálunk az az, hogy
15:08
is we put inside the machine
354
908260
2000
a gépbe beviszünk egy
15:10
a process of evolution
355
910260
2000
evolúciós folyamatot,
15:12
that takes place on the microsecond time scale.
356
912260
2000
amely mikroszekundumnyi idő alatt lezajlik.
15:14
So for example,
357
914260
2000
Így például
15:16
in the most extreme cases,
358
916260
2000
a legkülönlegesebb esetekben,
15:18
we can actually evolve a program
359
918260
2000
úgy tudjuk a programot fejleszteni,
15:20
by starting out with random sequences of instructions.
360
920260
4000
hogy kezdetben véletlenszerű utasításokat adunk,
15:24
Say, "Computer, would you please make
361
924260
2000
megkérjük a számítógépet, hogy legyen kedves
15:26
a hundred million random sequences of instructions.
362
926260
3000
hozzon létre százmillió véletlenszerű utasítás szekvenciát.
15:29
Now would you please run all of those random sequences of instructions,
363
929260
3000
És aztán futtassa le az összes ilyen a véletlen utasítás szekvenciát,
15:32
run all of those programs,
364
932260
2000
illetve programokat,
15:34
and pick out the ones that came closest to doing what I wanted."
365
934260
3000
és válassza ki azokat, amely az elérni kívánt célhoz legközelebb visznek.
15:37
So in other words, I define what I wanted.
366
937260
2000
Más szóval azt határozom meg, hogy mit szeretnék elérni.
15:39
Let's say I want to sort numbers,
367
939260
2000
Például számokat sorrendbe szeretnék rendezni,
15:41
as a simple example I've done it with.
368
941260
2000
egy egyszerű példa, amit már megcsináltam.
15:43
So find the programs that come closest to sorting numbers.
369
943260
3000
Majd megkeresem azt a programot, amelynek eredménye legközelebb áll a rendezett számsorhoz.
15:46
So of course, random sequences of instructions
370
946260
3000
Természetesen véletlenszerű utasítássorozatok
15:49
are very unlikely to sort numbers,
371
949260
2000
nagyon valószínűtlen, hogy helyes sorrendet eredményeznének,
15:51
so none of them will really do it.
372
951260
2000
valójában egyike sem produkál helyes eredményt,
15:53
But one of them, by luck,
373
953260
2000
de talán az egyik véletlenül
15:55
may put two numbers in the right order.
374
955260
2000
két számot a helyes sorrendbe állíthat.
15:57
And I say, "Computer,
375
957260
2000
És én azt mondom, kedves gép
15:59
would you please now take the 10 percent
376
959260
3000
kivennéd a 10 százalékát azoknak a
16:02
of those random sequences that did the best job.
377
962260
2000
véletlenszerű utasítássorozatoknak, amelyek a legjobbnak bizonyultak?
16:04
Save those. Kill off the rest.
378
964260
2000
Hagyd meg azokat, a többit szelektáld ki.
16:06
And now let's reproduce
379
966260
2000
Aztán reprodukáljuk azokat,
16:08
the ones that sorted numbers the best.
380
968260
2000
amelyek a legjobban rendezték a számokat.
16:10
And let's reproduce them by a process of recombination
381
970260
3000
Reprodukáljuk azokat azzal a kombinációs folyamattal
16:13
analogous to sex."
382
973260
2000
amely hasonló az emberi reprodukcióhoz.
16:15
Take two programs and they produce children
383
975260
3000
Vegyünk két programot, és legyenek nekik gyerekeik úgy,
16:18
by exchanging their subroutines,
384
978260
2000
hogy kicseréljük azok alprogramjait,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
980260
3000
és a gyerekek örököljék a két program alprogramjainak jellemzőit.
16:23
So I've got now a new generation of programs
386
983260
3000
Így programok új generációjához jutunk,
16:26
that are produced by combinations
387
986260
2000
amely olyan programok kombinációjából születik,
16:28
of the programs that did a little bit better job.
388
988260
2000
amelyek egy kicsivel jobb eredményt produkáltak.
16:30
Say, "Please repeat that process."
389
990260
2000
És aztán azt mondjuk a gépnek, hogy ismételje ezt a folyamatot.
16:32
Score them again.
390
992260
2000
Értékelje ki ismét,
16:34
Introduce some mutations perhaps.
391
994260
2000
talán dobjon be némi mutációt,
16:36
And try that again and do that for another generation.
392
996260
3000
majd ismételje megint egy újabb generáció létrehozásához.
16:39
Well every one of those generations just takes a few milliseconds.
393
999260
3000
Minden ilyen generáció megszületése csak néhány milliszekundumot vesz igénybe.
16:42
So I can do the equivalent
394
1002260
2000
Így képesek vagyunk arra, hogy
16:44
of millions of years of evolution on that
395
1004260
2000
több millió évnyi evolúcióval megegyező mértékű fejlődést
16:46
within the computer in a few minutes,
396
1006260
3000
hozzunk létre a számítógépen néhány perc alatt,
16:49
or in the complicated cases, in a few hours.
397
1009260
2000
vagy bonyolultabb esetben néhány óra alatt.
16:51
At the end of that, I end up with programs
398
1011260
3000
A végén pedig olyan programok születnek,
16:54
that are absolutely perfect at sorting numbers.
399
1014260
2000
amelyek tökéletesen alkalmasak számok sorbarendezésére.
16:56
In fact, they are programs that are much more efficient
400
1016260
3000
Igazából ezek a programok sokkal hatékonyabbak,
16:59
than programs I could have ever written by hand.
401
1019260
2000
mint azok, amelyeket kézzel valaha is meg tudnék írni.
17:01
Now if I look at those programs,
402
1021260
2000
Ha megnézem ezeket a programokat,
17:03
I can't tell you how they work.
403
1023260
2000
nem tudom megmondani, hogyan működnek.
17:05
I've tried looking at them and telling you how they work.
404
1025260
2000
Már próbáltam ezeket megvizsgálni, és megfejteni, hogyan működnek.
17:07
They're obscure, weird programs.
405
1027260
2000
Átláthatatlan, furcsa programok.
17:09
But they do the job.
406
1029260
2000
De jól működnek.
17:11
And in fact, I know, I'm very confident that they do the job
407
1031260
3000
Tulajdonképpen én biztos vagyok abban, hogy jól működnek,
17:14
because they come from a line
408
1034260
2000
mert abból a több százezernyi programból valók
17:16
of hundreds of thousands of programs that did the job.
409
1036260
2000
amelyek jól végezték a feladatukat.
17:18
In fact, their life depended on doing the job.
410
1038260
3000
Valójában az életük függött attól, hogy jól végzik-e a feladatukat.
17:21
(Laughter)
411
1041260
4000
(Nevetés)
17:26
I was riding in a 747
412
1046260
2000
Egy Boeing 747-esen utaztam
17:28
with Marvin Minsky once,
413
1048260
2000
egyszer Marvin Minskyvel [amerikai tudós],
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1050260
3000
kivette a gép ismertetőfüzetét, és azt mondta: "Ó, ezt nézd meg.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1053260
4000
Ez azt írja, hogy ezen a gépen több százezer apró alkatrész
17:37
working together to make you a safe flight.'
416
1057260
4000
működik együtt, a biztonságos repülésünk érdekében.
17:41
Doesn't that make you feel confident?"
417
1061260
2000
Hát nem megnyugtató?"
17:43
(Laughter)
418
1063260
2000
(Nevetés)
17:45
In fact, we know that the engineering process doesn't work very well
419
1065260
3000
Igazából tudjuk azt, hogy a mérnöki munka nem működik igazán jól
17:48
when it gets complicated.
420
1068260
2000
bonyolult folyamatok esetében.
17:50
So we're beginning to depend on computers
421
1070260
2000
Így mi egyre inkább a számítógéptől függünk
17:52
to do a process that's very different than engineering.
422
1072260
4000
az olyan folyamat végrehajtásánál, amely merőben más mint a mérnöki munka.
17:56
And it lets us produce things of much more complexity
423
1076260
3000
Ez olyan dolgok létrehozását teszi lehetővé, melynek összetettsége
17:59
than normal engineering lets us produce.
424
1079260
2000
jóval túlmutat a hagyományos mérnöki munka keretein.
18:01
And yet, we don't quite understand the options of it.
425
1081260
3000
Mégsem értjük igazán a lehetőségeit.
18:04
So in a sense, it's getting ahead of us.
426
1084260
2000
Tehát bizonyos értelemben előttünk jár.
18:06
We're now using those programs
427
1086260
2000
Arra használjuk ezeket a programokat, hogy
18:08
to make much faster computers
428
1088260
2000
gyorsabb számítógépeket készítsünk,
18:10
so that we'll be able to run this process much faster.
429
1090260
3000
és így éppen ezeket a folyamatokat még jobban felgyorsíthatjuk.
18:13
So it's feeding back on itself.
430
1093260
3000
Tehát ez a folyamat önmagát gyorsítja fel.
18:16
The thing is becoming faster
431
1096260
2000
Egyre gyorsabb lesz
18:18
and that's why I think it seems so confusing.
432
1098260
2000
és emiatt tűnik annyira zavarba ejtőnek.
18:20
Because all of these technologies are feeding back on themselves.
433
1100260
3000
Merthogy mindezek a technológiák önmagukat is gerjesztik.
18:23
We're taking off.
434
1103260
2000
Elindultunk ezen az úton.
18:25
And what we are is we're at a point in time
435
1105260
3000
És hasonló időszakban vagyunk, mint
18:28
which is analogous to when single-celled organisms
436
1108260
2000
amikor az egysejtű organizmusok
18:30
were turning into multi-celled organisms.
437
1110260
3000
többsejtű organizmusokká alakultak.
18:33
So we're the amoebas
438
1113260
2000
Amőbák vagyunk tehát
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1115260
3000
és nem tudjuk megmondani, hogy mi a fene az, amit csinálunk.
18:38
We're right at that point of transition.
440
1118260
2000
Éppen az átmeneti időszak kellős közepén vagyunk.
18:40
But I think that there really is something coming along after us.
441
1120260
3000
De azt hiszem, hogy tényleg jön valami új utánunk.
18:43
I think it's very haughty of us
442
1123260
2000
Nagyképű lenne azt gondolni, hogy
18:45
to think that we're the end product of evolution.
443
1125260
3000
az evolúció végtermékei vagyunk.
18:48
And I think all of us here
444
1128260
2000
Azt hiszem itt mindannyian
18:50
are a part of producing
445
1130260
2000
részt veszünk ennek az új dolognak
18:52
whatever that next thing is.
446
1132260
2000
a létrehozásában, bármi legyen is az.
18:54
So lunch is coming along,
447
1134260
2000
Szóval jön az ebéd,
18:56
and I think I will stop at that point,
448
1136260
2000
és azt hiszem abba is hagyom ezen a ponton,
18:58
before I get selected out.
449
1138260
2000
mielőtt kiszelektálnának.
19:00
(Applause)
450
1140260
3000
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7