Danny Hillis: Back to the future (of 1994)

80,708 views ・ 2012-02-03

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Axel Saffran Nagekeken door: Rik Delaet
00:15
Because I usually take the role
0
15260
3000
...want ik ben doorgaans
00:18
of trying to explain to people
1
18260
2000
mensen aan het vertellen
00:20
how wonderful the new technologies
2
20260
3000
hoe geweldig de nieuwe technologieën gaan zijn,
00:23
that are coming along are going to be,
3
23260
2000
die we nu zien,
00:25
and I thought that, since I was among friends here,
4
25260
3000
en ik dacht: aangezien ik hier onder vrienden ben,
00:28
I would tell you what I really think
5
28260
4000
wil ik jullie vertellen wat ik écht denk.
Ik ga terugkijken en trachten te begrijpen
00:32
and try to look back and try to understand
6
32260
2000
00:34
what is really going on here
7
34260
3000
wat er werkelijk aan het gebeuren is
00:37
with these amazing jumps in technology
8
37260
5000
met de verbijsterende sprongen in technologie
00:42
that seem so fast that we can barely keep on top of it.
9
42260
3000
die zo snel gaan dat we ze nauwelijks bij kunnen houden.
00:45
So I'm going to start out
10
45260
2000
Allereerst zal ik jullie
00:47
by showing just one very boring technology slide.
11
47260
3000
één enkele zeer saaie dia laten zien.
00:50
And then, so if you can just turn on the slide that's on.
12
50260
3000
Als je de dia even wilt laten zien...
00:56
This is just a random slide
13
56260
2000
Dit is een willekeurige dia
00:58
that I picked out of my file.
14
58260
2000
die ik uit een map haalde.
01:00
What I want to show you is not so much the details of the slide,
15
60260
3000
Ik wil jullie niet zozeer de details van de dia laten zien,
01:03
but the general form of it.
16
63260
2000
maar de algehele vorm ervan.
01:05
This happens to be a slide of some analysis that we were doing
17
65260
3000
Dit is toevallig een dia van een analyse die we deden
01:08
about the power of RISC microprocessors
18
68260
3000
over de kracht van RISC-microprocessoren
01:11
versus the power of local area networks.
19
71260
3000
versus de kracht van 'local area networks'.
01:14
And the interesting thing about it
20
74260
2000
Het interessante ervan
01:16
is that this slide,
21
76260
2000
is dat deze dia,
01:18
like so many technology slides that we're used to,
22
78260
3000
zoals zoveel technologie-dia's die we zien,
01:21
is a sort of a straight line
23
81260
2000
een rechte lijn is
01:23
on a semi-log curve.
24
83260
2000
op een semilogaritmische schaal.
01:25
In other words, every step here
25
85260
2000
Met andere woorden:
01:27
represents an order of magnitude
26
87260
2000
elke stap vertegenwoordigt hier een orde van grootte in prestatie.
01:29
in performance scale.
27
89260
2000
01:31
And this is a new thing
28
91260
2000
Dit is iets nieuws,
01:33
that we talk about technology
29
93260
2000
dat we over technologie praten
01:35
on semi-log curves.
30
95260
2000
op een semilogaritmische schaal.
01:37
Something really weird is going on here.
31
97260
2000
Er gebeurt hier iets vreemds.
01:39
And that's basically what I'm going to be talking about.
32
99260
3000
Dat is waarover ik het wil hebben.
01:42
So, if you could bring up the lights.
33
102260
3000
Als het licht weer even aan kan.
01:47
If you could bring up the lights higher,
34
107260
2000
Doe nog maar wat meer licht,
01:49
because I'm just going to use a piece of paper here.
35
109260
3000
want ik ga enkel een stuk papier gebruiken.
01:52
Now why do we draw technology curves
36
112260
2000
Waarom tekenen we technologie-diagrammen
01:54
in semi-log curves?
37
114260
2000
op een semilogaritmische schaal?
01:56
Well the answer is, if I drew it on a normal curve
38
116260
3000
Het antwoord is: met een normale schaalverdeling
01:59
where, let's say, this is years,
39
119260
2000
waarbij deze as
02:01
this is time of some sort,
40
121260
2000
het tijdsverloop aangeeft,
02:03
and this is whatever measure of the technology
41
123260
3000
en deze as de maateenheid van technologie
02:06
that I'm trying to graph,
42
126260
3000
die ik probeer weer te geven,
02:09
the graphs look sort of silly.
43
129260
3000
ziet de curve er enigszins belachelijk uit.
02:12
They sort of go like this.
44
132260
3000
Ongeveer zoiets...
02:15
And they don't tell us much.
45
135260
3000
...en ze geven niet veel informatie.
02:18
Now if I graph, for instance,
46
138260
3000
Als ik nu, bijvoorbeeld,
02:21
some other technology, say transportation technology,
47
141260
2000
een andere technologie, transporttechnologie,
02:23
on a semi-log curve,
48
143260
2000
op een semilogaritmische schaal teken,
02:25
it would look very stupid, it would look like a flat line.
49
145260
3000
zou het er stom uitzien: een horizontale lijn.
02:28
But when something like this happens,
50
148260
2000
Maar als er iets als dit gebeurt,
02:30
things are qualitatively changing.
51
150260
2000
veranderen dingen kwalitatief.
02:32
So if transportation technology
52
152260
2000
Dus als transporttechnologie
02:34
was moving along as fast as microprocessor technology,
53
154260
3000
zo snel ontwikkelde als microprocessor-technologie,
02:37
then the day after tomorrow,
54
157260
2000
dan zou ik overmorgen
02:39
I would be able to get in a taxi cab
55
159260
2000
in een taxi kunnen stappen
02:41
and be in Tokyo in 30 seconds.
56
161260
2000
en in 30 seconden in Tokyo kunnen zijn.
02:43
It's not moving like that.
57
163260
2000
Zo gaat die ontwikkeling niet.
02:45
And there's nothing precedented
58
165260
2000
Er zijn ook geen precedenten
02:47
in the history of technology development
59
167260
2000
in de geschiedenis van technologische ontwikkeling
02:49
of this kind of self-feeding growth
60
169260
2000
van dit soort zelf-versterkende groei
02:51
where you go by orders of magnitude every few years.
61
171260
3000
met ordes van grootte, elke paar jaar.
02:54
Now the question that I'd like to ask is,
62
174260
3000
Nu is de vraag die ik wil stellen --
02:57
if you look at these exponential curves,
63
177260
3000
als je naar deze exponentiële curves kijkt,
03:00
they don't go on forever.
64
180260
3000
kunnen die niet zo doorgaan.
03:03
Things just can't possibly keep changing
65
183260
3000
Dingen kunnen zich niet zo snel
03:06
as fast as they are.
66
186260
2000
blijven ontwikkelen als nu.
03:08
One of two things is going to happen.
67
188260
3000
Eén van twee dingen gebeurt.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
191260
4000
Ofwel het verandert in een soort klassieke S-curve als dit,
03:15
until something totally different comes along,
69
195260
4000
tot er iets anders gebeurt,
03:19
or maybe it's going to do this.
70
199260
2000
of misschien doet het dit.
03:21
That's about all it can do.
71
201260
2000
Dat is het zo'n beetje.
03:23
Now I'm an optimist,
72
203260
2000
Nou ben ik een optimist,
03:25
so I sort of think it's probably going to do something like that.
73
205260
3000
dus ik denk dat het zoiets gaat doen.
03:28
If so, that means that what we're in the middle of right now
74
208260
3000
In dat geval zitten we momenteel
03:31
is a transition.
75
211260
2000
middenin een overgangsfase.
03:33
We're sort of on this line
76
213260
2000
We zitten op deze lijn,
03:35
in a transition from the way the world used to be
77
215260
2000
in een transitie van de oude wereld,
03:37
to some new way that the world is.
78
217260
3000
naar een nieuwe wereld.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
220260
3000
Dus wat ik probeer te vragen, wat ik mezelf afvroeg,
03:43
is what's this new way that the world is?
80
223260
3000
is: hoe ziet die nieuwe wereld eruit?
03:46
What's that new state that the world is heading toward?
81
226260
3000
Wat is die nieuwe staat waarnaar de wereld op weg is?
03:49
Because the transition seems very, very confusing
82
229260
3000
Want de transitie is zeer verwarrend
03:52
when we're right in the middle of it.
83
232260
2000
als je er middenin zit.
03:54
Now when I was a kid growing up,
84
234260
3000
Toen ik opgroeide als kind
03:57
the future was kind of the year 2000,
85
237260
3000
was de toekomst zo'n beetje het jaar 2000
04:00
and people used to talk about what would happen in the year 2000.
86
240260
4000
en mensen spraken over wat er in het jaar 2000 zou gebeuren.
04:04
Now here's a conference
87
244260
2000
Nu is hier een conferentie
04:06
in which people talk about the future,
88
246260
2000
waar mensen praten over de toekomst
04:08
and you notice that the future is still at about the year 2000.
89
248260
3000
en dan zie je dat de toekomst nog steeds het jaar 2000 is.
04:11
It's about as far as we go out.
90
251260
2000
Dat is zover als we kijken.
04:13
So in other words, the future has kind of been shrinking
91
253260
3000
Met andere woorden: de toekomst is min of meer gekrompen
04:16
one year per year
92
256260
3000
met één jaar per jaar (Gelach)
04:19
for my whole lifetime.
93
259260
3000
gedurende mijn hele leven. (Gelach)
04:22
Now I think that the reason
94
262260
2000
Ik denk dat de reden
04:24
is because we all feel
95
264260
2000
is dat we allemaal voelen
04:26
that something's happening there.
96
266260
2000
dat er iets gaande is.
04:28
That transition is happening. We can all sense it.
97
268260
2000
Die transitie is gaande. We kunnen het allemaal voelen.
04:30
And we know that it just doesn't make too much sense
98
270260
2000
En we weten dat het gewoon zinloos is
04:32
to think out 30, 50 years
99
272260
2000
om 30, 50 jaar vooruit te denken
04:34
because everything's going to be so different
100
274260
3000
omdat alles zo anders gaat zijn
04:37
that a simple extrapolation of what we're doing
101
277260
2000
dat een simpele extrapolatie van wat we doen
04:39
just doesn't make any sense at all.
102
279260
3000
simpelweg onzinnig lijkt.
04:42
So what I would like to talk about
103
282260
2000
Ik wil het hebben over
04:44
is what that could be,
104
284260
2000
wat zou kunnen zijn,
door wat voor soort transitie we gaan.
04:46
what that transition could be that we're going through.
105
286260
3000
04:49
Now in order to do that
106
289260
3000
Om dat te doen moet ik
04:52
I'm going to have to talk about a bunch of stuff
107
292260
2000
het hebben over wat dingen
04:54
that really has nothing to do
108
294260
2000
die niets te maken hebben
04:56
with technology and computers.
109
296260
2000
met technologie en computers.
04:58
Because I think the only way to understand this
110
298260
2000
De enige manier om dit te begrijpen
05:00
is to really step back
111
300260
2000
is om achteruit te stappen
05:02
and take a long time scale look at things.
112
302260
2000
en een lange-termijnblik te werpen op de dingen.
05:04
So the time scale that I would like to look at this on
113
304260
3000
De tijdschaal waarop ik dat zou willen doen
05:07
is the time scale of life on Earth.
114
307260
3000
is de tijdschaal van leven op Aarde.
05:13
So I think this picture makes sense
115
313260
2000
Ik denk dat dit beeld zinnig is
05:15
if you look at it a few billion years at a time.
116
315260
4000
als je enkele miljarden jaren overziet.
05:19
So if you go back
117
319260
2000
Als je ongeveer
2½ miljard jaar teruggaat,
05:21
about two and a half billion years,
118
321260
2000
05:23
the Earth was this big, sterile hunk of rock
119
323260
3000
was de Aarde een grote, steriele brok steen
05:26
with a lot of chemicals floating around on it.
120
326260
3000
waar een groot aantal chemicaliën op vloeiden.
05:29
And if you look at the way
121
329260
2000
Als je kijkt naar de manier waarop
05:31
that the chemicals got organized,
122
331260
2000
die chemicaliën zich organiseerden --
05:33
we begin to get a pretty good idea of how they do it.
123
333260
3000
we beginnen daar een goed beeld van te krijgen.
05:36
And I think that there's theories that are beginning to understand
124
336260
3000
Ik denk dat er theorieën zijn die beginnen te begrijpen
05:39
about how it started with RNA,
125
339260
2000
hoe het begon met RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
341260
3000
maar ik vertel de eenvoudige versie.
05:44
which is that, at that time,
127
344260
2000
Destijds waren er
05:46
there were little drops of oil floating around
128
346260
3000
kleine druppels olie die zich bewogen
met allerlei verschillende samenstellingen van chemicaliën daarin.
05:49
with all kinds of different recipes of chemicals in them.
129
349260
3000
05:52
And some of those drops of oil
130
352260
2000
Sommige van die druppels olie
05:54
had a particular combination of chemicals in them
131
354260
2000
hadden een bijzondere combinatie van chemicaliën
05:56
which caused them to incorporate chemicals from the outside
132
356260
3000
die ervoor zorgde dat ze chemicaliën van buiten opnamen
05:59
and grow the drops of oil.
133
359260
3000
zodat de oliedruppels groeiden.
06:02
And those that were like that
134
362260
2000
De druppels die zo waren,
06:04
started to split and divide.
135
364260
2000
begonnen zich te delen.
06:06
And those were the most primitive forms of cells in a sense,
136
366260
3000
Dit waren de meest primitieve vormen van cellen,
06:09
those little drops of oil.
137
369260
2000
deze kleine oliedruppels.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
371260
3000
Maar deze oliedruppels leefden niet echt,
06:14
because every one of them
139
374260
2000
want ieder van hen
06:16
was a little random recipe of chemicals.
140
376260
2000
was een willekeurige verzameling chemicaliën.
06:18
And every time it divided,
141
378260
2000
Elke keer dat ze zich splitsten
06:20
they got sort of unequal division
142
380260
3000
kreeg je een ongelijke verdeling
06:23
of the chemicals within them.
143
383260
2000
van chemicaliën binnen hen.
06:25
And so every drop was a little bit different.
144
385260
3000
Dus elke druppel was een beetje anders.
06:28
In fact, the drops that were different in a way
145
388260
2000
De druppels die anders waren, zodanig
06:30
that caused them to be better
146
390260
2000
dat ze beter waren in het
06:32
at incorporating chemicals around them,
147
392260
2000
opnemen van chemicaliën rondom hen,
06:34
grew more and incorporated more chemicals and divided more.
148
394260
3000
groeiden meer en namen meer chemicaliën op en splitsten meer.
06:37
So those tended to live longer,
149
397260
2000
Dus doorgaans leefden zij langer,
06:39
get expressed more.
150
399260
3000
en waren meer vertegenwoordigd.
06:42
Now that's sort of just a very simple
151
402260
3000
Nu is dit nog maar een eenvoudige
06:45
chemical form of life,
152
405260
2000
chemische levensvorm,
06:47
but when things got interesting
153
407260
3000
maar het werd interessant
06:50
was when these drops
154
410260
2000
toen deze druppels
06:52
learned a trick about abstraction.
155
412260
3000
een abstracte truc leerden.
06:55
Somehow by ways that we don't quite understand,
156
415260
3000
We begrijpen niet echt hoe, maar
06:58
these little drops learned to write down information.
157
418260
3000
deze druppels leerden informatie noteren.
07:01
They learned to record the information
158
421260
2000
Ze leerden de informatie
07:03
that was the recipe of the cell
159
423260
2000
die het recept van de cel inhield,
07:05
onto a particular kind of chemical
160
425260
2000
noteren op een speciaal soort chemische stof
07:07
called DNA.
161
427260
2000
genaamd DNA.
07:09
So in other words, they worked out,
162
429260
2000
Met andere woorden: ze ontdekten
07:11
in this mindless sort of evolutionary way,
163
431260
3000
op deze gedachteloze evolutionaire manier,
07:14
a form of writing that let them write down what they were,
164
434260
3000
een schrijfstijl waarmee ze konden optekenen wat ze waren,
07:17
so that that way of writing it down could get copied.
165
437260
3000
zodat die manier van noteren kon worden gekopieerd.
07:20
The amazing thing is that that way of writing
166
440260
3000
Verbazingwekkend is dat deze notatiewijze
07:23
seems to have stayed steady
167
443260
2000
hetzelfde lijkt te zijn gebleven
07:25
since it evolved two and a half billion years ago.
168
445260
2000
sinds ze ontwikkeld werd, 2½ miljard jaar geleden.
07:27
In fact the recipe for us, our genes,
169
447260
3000
In feite is het recept voor ons, onze genen,
07:30
is exactly that same code and that same way of writing.
170
450260
3000
exact dezelfde code en manier van noteren.
07:33
In fact, every living creature is written
171
453260
3000
Elk levend wezen is genoteerd
in exact dezelfde set letters en dezelfde code.
07:36
in exactly the same set of letters and the same code.
172
456260
2000
07:38
In fact, one of the things that I did
173
458260
2000
Eén van de dingen die ik deed --
07:40
just for amusement purposes
174
460260
2000
gewoon voor de lol, is...
07:42
is we can now write things in this code.
175
462260
2000
...we kunnen nu dingen opschrijven in deze code.
07:44
And I've got here a little 100 micrograms of white powder,
176
464260
6000
En ik heb hier 100 microgram wit poeder,
dat ik verberg voor beveiligingsmensen op vliegvelden.
07:50
which I try not to let the security people see at airports.
177
470260
4000
07:54
(Laughter)
178
474260
2000
(Gelach)
07:56
But this has in it --
179
476260
2000
Maar hierin zit --
07:58
what I did is I took this code --
180
478260
2000
ik nam de code --
08:00
the code has standard letters that we use for symbolizing it --
181
480260
3000
de code heeft standaard letters waarmee we die symboliseren --
08:03
and I wrote my business card onto a piece of DNA
182
483260
3000
en schreef mijn visitekaartje op een stukje DNA
08:06
and amplified it 10 to the 22 times.
183
486260
3000
en vermenigvuldigde het 10 tot de 22e maal.
08:09
So if anyone would like a hundred million copies of my business card,
184
489260
3000
Dus als iemand honderd miljoen stuks van mijn visitekaartje wil;
08:12
I have plenty for everyone in the room,
185
492260
2000
ik heb genoeg voor iedereen hier,
08:14
and, in fact, everyone in the world,
186
494260
2000
voor iedereen op de wereld, in feite.
08:16
and it's right here.
187
496260
3000
Het zit hierin.
(Gelach)
08:19
(Laughter)
188
499260
5000
08:26
If I had really been a egotist,
189
506260
2000
Als ik echt een egoïst was geweest,
08:28
I would have put it into a virus and released it in the room.
190
508260
3000
had ik het in een virus gestopt en in de ruimte verspreid.
08:31
(Laughter)
191
511260
5000
(Gelach)
08:39
So what was the next step?
192
519260
2000
Wat was de volgende stap?
08:41
Writing down the DNA was an interesting step.
193
521260
2000
Het opschrijven van het DNA was een interessante stap.
08:43
And that caused these cells --
194
523260
2000
Dat hield ze bezig
08:45
that kept them happy for another billion years.
195
525260
2000
gedurende nog eens miljard jaar.
08:47
But then there was another really interesting step
196
527260
2000
Maar toen was er een andere heel interessante stap
08:49
where things became completely different,
197
529260
3000
waarin dingen totaal anders werden.
08:52
which is these cells started exchanging and communicating information,
198
532260
3000
Deze cellen begonnen informatie uit te wisselen,
08:55
so that they began to get communities of cells.
199
535260
2000
zodat ze gemeenschappen van cellen vormden.
08:57
I don't know if you know this,
200
537260
2000
Ik weet niet of je dit weet,
08:59
but bacteria can actually exchange DNA.
201
539260
2000
maar bacteriën kunnen DNA uitwisselen.
09:01
Now that's why, for instance,
202
541260
2000
Dat is bijvoorbeeld hoe
09:03
antibiotic resistance has evolved.
203
543260
2000
antibiotische resistentie is ontstaan.
09:05
Some bacteria figured out how to stay away from penicillin,
204
545260
3000
Eén bacterie vond een manier om penicilline te vermijden
09:08
and it went around sort of creating its little DNA information
205
548260
3000
en die communiceerde zijn DNA-informatie
09:11
with other bacteria,
206
551260
2000
naar andere bacteriën,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
553260
3000
en nu hebben we veel bacteriën die resistent zijn tegen penicilline
09:16
because bacteria communicate.
208
556260
2000
...omdat bacteriën communiceren.
09:18
Now what this communication allowed
209
558260
2000
Deze communicatie maakte het ontstaan
09:20
was communities to form
210
560260
2000
van gemeenschappen mogelijk,
09:22
that, in some sense, were in the same boat together;
211
562260
2000
die, in zekere zin, samen in één schuitje zaten;
09:24
they were synergistic.
212
564260
2000
ze waren synergetisch.
09:26
So they survived
213
566260
2000
Dus ze overleefden
09:28
or they failed together,
214
568260
2000
of ze faalden samen,
09:30
which means that if a community was very successful,
215
570260
2000
wat betekent dat in een succesvolle gemeenschap
09:32
all the individuals in that community
216
572260
2000
alle individuen van die gemeenschap
09:34
were repeated more
217
574260
2000
meer vermenigvuldigden
09:36
and they were favored by evolution.
218
576260
3000
en evolutionair succesvol waren.
09:39
Now the transition point happened
219
579260
2000
Het omslagpunt kwam,
09:41
when these communities got so close
220
581260
2000
toen deze gemeenschappen zo hecht werden
09:43
that, in fact, they got together
221
583260
2000
dat ze feitelijk gezamenlijk besloten
09:45
and decided to write down the whole recipe for the community
222
585260
3000
om het recept te noteren voor de hele gemeenschap
09:48
together on one string of DNA.
223
588260
3000
op één keten DNA.
09:51
And so the next stage that's interesting in life
224
591260
2000
En het volgende levensstadium
09:53
took about another billion years.
225
593260
2000
duurde nog eens miljard jaar.
09:55
And at that stage,
226
595260
2000
In die periode
09:57
we have multi-cellular communities,
227
597260
2000
hebben we meercellige gemeenschappen,
09:59
communities of lots of different types of cells,
228
599260
2000
bestaande uit veel verschillende typen cellen,
10:01
working together as a single organism.
229
601260
2000
die samenwerken als één organisme.
10:03
And in fact, we're such a multi-cellular community.
230
603260
3000
In feite zijn wij zo'n meercellige gemeenschap.
10:06
We have lots of cells
231
606260
2000
We hebben veel cellen
10:08
that are not out for themselves anymore.
232
608260
2000
die niet meer voor zichzelf gaan.
10:10
Your skin cell is really useless
233
610260
3000
Je huidcel is waardeloos zonder
10:13
without a heart cell, muscle cell,
234
613260
2000
een hartcel, spiercel,
10:15
a brain cell and so on.
235
615260
2000
hersencel enzovoort...
10:17
So these communities began to evolve
236
617260
2000
Dus deze gemeenschappen ontwikkelden zich
10:19
so that the interesting level on which evolution was taking place
237
619260
3000
zodat het niveau waarop evolutie zich afspeelde
10:22
was no longer a cell,
238
622260
2000
niet langer een cel was,
10:24
but a community which we call an organism.
239
624260
3000
maar een gemeenschap genaamd 'organisme'.
10:28
Now the next step that happened
240
628260
2000
De volgende stap speelde zich af
10:30
is within these communities.
241
630260
2000
binnen deze gemeenschappen.
10:32
These communities of cells,
242
632260
2000
Deze gemeenschappen van cellen
10:34
again, began to abstract information.
243
634260
2000
begonnen weer informatie te vergaren.
10:36
And they began building very special structures
244
636260
3000
Ze bouwden speciale structuren die niets anders deden
10:39
that did nothing but process information within the community.
245
639260
3000
dan informatie verwerken in de gemeenschap.
10:42
And those are the neural structures.
246
642260
2000
Dat zijn de neurale structuren.
10:44
So neurons are the information processing apparatus
247
644260
3000
Dus neuronen zijn het informatieverwerkingsapparaat
10:47
that those communities of cells built up.
248
647260
3000
dat die gemeenschappen van cellen bouwden.
10:50
And in fact, they began to get specialists in the community
249
650260
2000
Ze ontwikkelden specialisten
10:52
and special structures
250
652260
2000
en speciale structuren
10:54
that were responsible for recording,
251
654260
2000
die verantwoordelijk waren voor het opslaan,
10:56
understanding, learning information.
252
656260
3000
begrijpen, leren van informatie.
10:59
And that was the brains and the nervous system
253
659260
2000
Dat waren de hersenen en het zenuwstelsel
11:01
of those communities.
254
661260
2000
van die gemeenschappen.
11:03
And that gave them an evolutionary advantage.
255
663260
2000
Dat gaf ze een evolutionair voordeel.
11:05
Because at that point,
256
665260
3000
Want in dat stadium
11:08
an individual --
257
668260
3000
kon een individu --
11:11
learning could happen
258
671260
2000
... kon leren plaatsvinden
11:13
within the time span of a single organism,
259
673260
2000
binnen de tijdsspanne van één organisme,
11:15
instead of over this evolutionary time span.
260
675260
3000
in plaats van over een evolutionaire tijdsspanne.
11:18
So an organism could, for instance,
261
678260
2000
Dus een organisme leerde bijvoorbeeld
11:20
learn not to eat a certain kind of fruit
262
680260
2000
om een bepaalde fruitsoort te vermijden
11:22
because it tasted bad and it got sick last time it ate it.
263
682260
4000
omdat die slecht smaakte en hij er ziek van werd.
11:26
That could happen within the lifetime of a single organism,
264
686260
3000
Dat kon nu binnen de levensduur van een enkel organisme,
11:29
whereas before they'd built these special information processing structures,
265
689260
4000
terwijl voordat ze deze speciale informatieverwerkingsstructuren bouwden,
11:33
that would have had to be learned evolutionarily
266
693260
2000
dit op evolutionaire wijze geleerd moest worden
11:35
over hundreds of thousands of years
267
695260
3000
gedurende honderdduizenden jaren,
11:38
by the individuals dying off that ate that kind of fruit.
268
698260
3000
doordat individuen doodgingen als ze die vrucht aten.
11:41
So that nervous system,
269
701260
2000
Dus dat zenuwstelsel,
11:43
the fact that they built these special information structures,
270
703260
3000
het feit dat ze deze speciale informatiestructuren bouwden,
11:46
tremendously sped up the whole process of evolution.
271
706260
3000
versnelde het evolutieproces enorm.
11:49
Because evolution could now happen within an individual.
272
709260
3000
Want evolutie kon nu plaatsvinden binnen een individu.
11:52
It could happen in learning time scales.
273
712260
3000
Het kon gebeuren in leer-tijdsschalen.
11:55
But then what happened
274
715260
2000
Maar toen verzonnen de individuen trucjes om te communiceren.
11:57
was the individuals worked out,
275
717260
2000
11:59
of course, tricks of communicating.
276
719260
2000
12:01
And for example,
277
721260
2000
Bijvoorbeeld, de meest verfijnde versie die we kennen
12:03
the most sophisticated version that we're aware of is human language.
278
723260
3000
is de menselijke taal.
12:06
It's really a pretty amazing invention if you think about it.
279
726260
3000
Het is een ongelofelijke uitvinding, als je erover nadenkt.
12:09
Here I have a very complicated, messy,
280
729260
2000
Hier heb ik een zeer gecompliceerd,
12:11
confused idea in my head.
281
731260
3000
warrig idee in mijn hoofd...
12:14
I'm sitting here making grunting sounds basically,
282
734260
3000
Ik zit dan min of meer knorrende geluiden te maken,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
737260
3000
wat hopelijk een gecompliceerd, warrig idee in jullie hoofd oproept,
12:20
that bears some analogy to it.
284
740260
2000
dat er gelijkenis mee vertoont.
12:22
But we're taking something very complicated,
285
742260
2000
We nemen iets zeer gecompliceerds,
12:24
turning it into sound, sequences of sounds,
286
744260
3000
veranderen dat in geluiden, reeksen geluiden,
12:27
and producing something very complicated in your brain.
287
747260
4000
en produceren iets zeer gecompliceerds in je hersenen.
12:31
So this allows us now
288
751260
2000
Dus hierdoor kunnen we
12:33
to begin to start functioning
289
753260
2000
beginnen te functioneren
12:35
as a single organism.
290
755260
3000
als een enkel organisme.
12:38
And so, in fact, what we've done
291
758260
3000
In feite zijn wij,
12:41
is we, humanity,
292
761260
2000
de mensheid,
12:43
have started abstracting out.
293
763260
2000
begonnen met abstraheren.
12:45
We're going through the same levels
294
765260
2000
We gaan door eenzelfde periode
12:47
that multi-cellular organisms have gone through --
295
767260
2000
als die meercellige organismen --
12:49
abstracting out our methods of recording,
296
769260
3000
en abstraheren onze methoden van optekenen,
12:52
presenting, processing information.
297
772260
2000
presenteren en verwerken van informatie.
12:54
So for example, the invention of language
298
774260
2000
Dus bijvoorbeeld, de uitvinding van taal
12:56
was a tiny step in that direction.
299
776260
3000
was een kleine stap in die richting.
12:59
Telephony, computers,
300
779260
2000
Telefonie, computers,
13:01
videotapes, CD-ROMs and so on
301
781260
3000
videotapes, CD-ROMs enzovoort...
13:04
are all our specialized mechanisms
302
784260
2000
zijn onze gespecialiseerde mechanismen
13:06
that we've now built within our society
303
786260
2000
die we in onze gemeenschap hebben gebouwd
13:08
for handling that information.
304
788260
2000
voor het omgaan met die informatie.
13:10
And it all connects us together
305
790260
3000
En deze dingen verbinden ons
13:13
into something
306
793260
2000
tot iets dat
13:15
that is much bigger
307
795260
2000
veel groter is,
13:17
and much faster
308
797260
2000
en veel sneller,
13:19
and able to evolve
309
799260
2000
en beter in staat te evolueren
13:21
than what we were before.
310
801260
2000
dan wij voorheen waren.
13:23
So now, evolution can take place
311
803260
2000
Nu kan evolutie plaatsvinden
13:25
on a scale of microseconds.
312
805260
2000
op een schaal van microseconden.
13:27
And you saw Ty's little evolutionary example
313
807260
2000
Je zag Ty's evolutionaire voorbeeldje
13:29
where he sort of did a little bit of evolution
314
809260
2000
waarin hij met evolutie speelde
13:31
on the Convolution program right before your eyes.
315
811260
3000
in het Convolutie-programma, vlak voor je ogen.
13:34
So now we've speeded up the time scales once again.
316
814260
3000
Nu hebben we de tijdsschaal nogmaals versneld.
13:37
So the first steps of the story that I told you about
317
817260
2000
De eerste stappen van het verhaal waarover ik het had
13:39
took a billion years a piece.
318
819260
2000
duurden een miljard jaar per geval.
13:41
And the next steps,
319
821260
2000
De volgende stukken,
13:43
like nervous systems and brains,
320
823260
2000
zoals zenuwstelsels en hersenen,
13:45
took a few hundred million years.
321
825260
2000
duurden enkele honderden miljoenen jaren.
13:47
Then the next steps, like language and so on,
322
827260
3000
De daaropvolgende stappen, taal en zo,
13:50
took less than a million years.
323
830260
2000
duurden minder dan een miljoen jaar.
13:52
And these next steps, like electronics,
324
832260
2000
En deze volgende stappen, zoals elektronica,
13:54
seem to be taking only a few decades.
325
834260
2000
lijken slechts enkele decennia te duren.
13:56
The process is feeding on itself
326
836260
2000
Het proces voedt zichzelf
13:58
and becoming, I guess, autocatalytic is the word for it --
327
838260
3000
en wordt -- ik geloof dat auto-katalytisch het juiste woord is --
14:01
when something reinforces its rate of change.
328
841260
3000
als iets zijn eigen tempo van verandering versnelt.
14:04
The more it changes, the faster it changes.
329
844260
3000
Hoe meer het verandert, des te sneller verandert het.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
847260
3000
Ik denk dat we dat zien in de explosie van deze curve.
14:10
We're seeing this process feeding back on itself.
331
850260
3000
We zien het proces zichzelf versterken.
14:13
Now I design computers for a living,
332
853260
3000
Ik ontwerp computers voor de kost,
14:16
and I know that the mechanisms
333
856260
2000
en ik weet dat de mechanismen
14:18
that I use to design computers
334
858260
3000
die ik gebruik om computers te ontwerpen
14:21
would be impossible
335
861260
2000
onmogelijk zouden zijn
14:23
without recent advances in computers.
336
863260
2000
zonder recente ontwikkelingen in computers.
14:25
So right now, what I do
337
865260
2000
momenteel ontwerp ik
14:27
is I design objects at such complexity
338
867260
3000
objecten met zulk een complexiteit
14:30
that it's really impossible for me to design them in the traditional sense.
339
870260
3000
dat ik ze onmogelijk op conventionele wijze kon ontwerpen.
14:33
I don't know what every transistor in the connection machine does.
340
873260
4000
Ik weet niet wat elke transistor in de verbindingsmachine doet.
14:37
There are billions of them.
341
877260
2000
Er zijn er miljarden.
14:39
Instead, what I do
342
879260
2000
In plaats daarvan
14:41
and what the designers at Thinking Machines do
343
881260
3000
denken ik en de ontwerpers bij 'Thinking Machines'
14:44
is we think at some level of abstraction
344
884260
2000
op enig niveau van abstractie,
14:46
and then we hand it to the machine
345
886260
2000
en dan geven we het aan de machine
14:48
and the machine takes it beyond what we could ever do,
346
888260
3000
en die maakt het tot iets wat we nooit zouden kunnen,
14:51
much farther and faster than we could ever do.
347
891260
3000
veel verder en sneller dan wij ooit zouden kunnen.
14:54
And in fact, sometimes it takes it by methods
348
894260
2000
Soms gebruikt ze methoden
14:56
that we don't quite even understand.
349
896260
3000
die wij niet eens begrijpen.
14:59
One method that's particularly interesting
350
899260
2000
Een bijzonder interessante methode
15:01
that I've been using a lot lately
351
901260
3000
die ik recentelijk veel gebruikte
15:04
is evolution itself.
352
904260
2000
is evolutie zelf.
15:06
So what we do
353
906260
2000
Daarbij gebruiken we
15:08
is we put inside the machine
354
908260
2000
de machine
15:10
a process of evolution
355
910260
2000
voor een proces van evolutie
15:12
that takes place on the microsecond time scale.
356
912260
2000
dat zich op de schaal van microseconden afspeelt.
15:14
So for example,
357
914260
2000
Bijvoorbeeld:
15:16
in the most extreme cases,
358
916260
2000
in de meest extreme gevallen
15:18
we can actually evolve a program
359
918260
2000
kunnen we een programma ontwikkelen
15:20
by starting out with random sequences of instructions.
360
920260
4000
door te beginnen met een willekeurige serie instructies.
15:24
Say, "Computer, would you please make
361
924260
2000
Dus: "Computer, maak alsjeblieft
15:26
a hundred million random sequences of instructions.
362
926260
3000
honderd miljoen willekeurige instructie-reeksen.
15:29
Now would you please run all of those random sequences of instructions,
363
929260
3000
Dan draai al die willekeurige instructie-reeksen,
15:32
run all of those programs,
364
932260
2000
draai al die programma's,
15:34
and pick out the ones that came closest to doing what I wanted."
365
934260
3000
en kies die die het beste voldeden aan mijn wensen."
15:37
So in other words, I define what I wanted.
366
937260
2000
Dus met andere woorden, ik definieer wat ik wil.
15:39
Let's say I want to sort numbers,
367
939260
2000
Stel ik wil getallen sorteren,
15:41
as a simple example I've done it with.
368
941260
2000
als eenvoudig praktijkvoorbeeld.
15:43
So find the programs that come closest to sorting numbers.
369
943260
3000
Dus: vind de programma's die het dichtst komen bij getallen sorteren.
15:46
So of course, random sequences of instructions
370
946260
3000
Uiteraard zullen willekeurige reeksen instructies
15:49
are very unlikely to sort numbers,
371
949260
2000
niet snel getallen sorteren,
15:51
so none of them will really do it.
372
951260
2000
dus geen van hen voldoet werkelijk.
15:53
But one of them, by luck,
373
953260
2000
Maar één van hen heeft toevallig
15:55
may put two numbers in the right order.
374
955260
2000
wellicht twee getallen in de juiste volgorde gezet.
15:57
And I say, "Computer,
375
957260
2000
Dan zeg ik: "Computer,
15:59
would you please now take the 10 percent
376
959260
3000
neem de 10% van de reeksen
16:02
of those random sequences that did the best job.
377
962260
2000
die het beste resutaat geven.
16:04
Save those. Kill off the rest.
378
964260
2000
Bewaar die. Dump de andere.
16:06
And now let's reproduce
379
966260
2000
Nu reproduceer de reeksen
16:08
the ones that sorted numbers the best.
380
968260
2000
die getallen het beste sorteerden.
16:10
And let's reproduce them by a process of recombination
381
970260
3000
Reproduceer ze via een proces van hercombinatie
16:13
analogous to sex."
382
973260
2000
dat analoog is aan seks."
16:15
Take two programs and they produce children
383
975260
3000
Twee programma's produceren kinderen
16:18
by exchanging their subroutines,
384
978260
2000
door hun subroutines uit te wisselen,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
980260
3000
en de kinderen erven de eigenschappen van die gemengde subroutines.
16:23
So I've got now a new generation of programs
386
983260
3000
Dus nu heb ik een nieuwe generatie programma's
16:26
that are produced by combinations
387
986260
2000
die geproduceerd zijn door combinatie
16:28
of the programs that did a little bit better job.
388
988260
2000
van alle programma's die iets beter presteerden.
16:30
Say, "Please repeat that process."
389
990260
2000
Dan zeg ik: "Herhaal dit proces."
16:32
Score them again.
390
992260
2000
Beoordeel ze nogmaals.
16:34
Introduce some mutations perhaps.
391
994260
2000
Introduceer wellicht wat mutaties.
16:36
And try that again and do that for another generation.
392
996260
3000
Probeer dat nogmaals voor nog een generatie.
16:39
Well every one of those generations just takes a few milliseconds.
393
999260
3000
Elk van deze generaties ontstaat in enkele milliseconden.
16:42
So I can do the equivalent
394
1002260
2000
Dus ik kan het equivalent
16:44
of millions of years of evolution on that
395
1004260
2000
van miljoenen jaren van evolutie hierin,
16:46
within the computer in a few minutes,
396
1006260
3000
op de computer laten plaatsvinden binnen enkele minuten,
16:49
or in the complicated cases, in a few hours.
397
1009260
2000
of in de ingewikkelde gevallen, enkele uren.
16:51
At the end of that, I end up with programs
398
1011260
3000
Aan het eind hiervan, heb ik programma's
16:54
that are absolutely perfect at sorting numbers.
399
1014260
2000
die absoluut perfect getallen sorteren.
16:56
In fact, they are programs that are much more efficient
400
1016260
3000
In feite zijn die programma's veel efficiënter
16:59
than programs I could have ever written by hand.
401
1019260
2000
dan programma's die ik zelf had kunnen schrijven.
17:01
Now if I look at those programs,
402
1021260
2000
Als ik naar die programma's kijk,
17:03
I can't tell you how they work.
403
1023260
2000
snap ik niet hoe ze werken.
17:05
I've tried looking at them and telling you how they work.
404
1025260
2000
Ik heb geprobeerd er wijs uit te worden.
17:07
They're obscure, weird programs.
405
1027260
2000
Het zijn obscure, vreemde programma's.
17:09
But they do the job.
406
1029260
2000
Maar ze doen hun werk.
17:11
And in fact, I know, I'm very confident that they do the job
407
1031260
3000
Ik ben er zeker van dat ze hun werk doen
17:14
because they come from a line
408
1034260
2000
omdat ze uit een geslacht komen
17:16
of hundreds of thousands of programs that did the job.
409
1036260
2000
van honderdduizenden programma's die hun werk deden.
17:18
In fact, their life depended on doing the job.
410
1038260
3000
Hun leven hing ervan af.
17:21
(Laughter)
411
1041260
4000
(Gelach)
17:26
I was riding in a 747
412
1046260
2000
Ik zat ooit in een 747
17:28
with Marvin Minsky once,
413
1048260
2000
met Marvin Minsky,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1050260
3000
die een kaart tevoorschijn haalt en zegt: "O, kijk eens.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1053260
4000
Hier staat: 'Dit vliegtuig heeft honderduizenden kleine delen
17:37
working together to make you a safe flight.'
416
1057260
4000
die samenwerken om je een veilige vlucht te bezorgen.'
17:41
Doesn't that make you feel confident?"
417
1061260
2000
Geeft je dat geen zeker gevoel?"
17:43
(Laughter)
418
1063260
2000
(Gelach)
17:45
In fact, we know that the engineering process doesn't work very well
419
1065260
3000
We weten dat het technische ontwerpproces niet erg goed werkt
17:48
when it gets complicated.
420
1068260
2000
als het gecompliceerd wordt.
17:50
So we're beginning to depend on computers
421
1070260
2000
Dus beginnen we op computers te vertrouwen
17:52
to do a process that's very different than engineering.
422
1072260
4000
voor een proces dat heel anders is dan technisch ontwerp.
17:56
And it lets us produce things of much more complexity
423
1076260
3000
Daarmee kunnen we veel gecompliceerder dingen maken
17:59
than normal engineering lets us produce.
424
1079260
2000
dan we met normaal technisch ontwerp kunnen.
18:01
And yet, we don't quite understand the options of it.
425
1081260
3000
Toch begrijpen we niet echt de opties die het geeft.
18:04
So in a sense, it's getting ahead of us.
426
1084260
2000
Dus in zekere zin haalt het ons in.
18:06
We're now using those programs
427
1086260
2000
We gebruiken nu die programma's
18:08
to make much faster computers
428
1088260
2000
om veel snellere computers te maken
18:10
so that we'll be able to run this process much faster.
429
1090260
3000
zodat we dit proces veel sneller kunnen uitvoeren.
18:13
So it's feeding back on itself.
430
1093260
3000
Het versterkt zichzelf dus.
18:16
The thing is becoming faster
431
1096260
2000
Het wordt steeds sneller
18:18
and that's why I think it seems so confusing.
432
1098260
2000
en daarom lijkt het denk ik zo verwarrend.
18:20
Because all of these technologies are feeding back on themselves.
433
1100260
3000
Omdat al deze technologieën zichzelf versterken.
18:23
We're taking off.
434
1103260
2000
We worden gelanceerd.
18:25
And what we are is we're at a point in time
435
1105260
3000
En we zitten op een tijdstip dat analoog is aan
18:28
which is analogous to when single-celled organisms
436
1108260
2000
toen eencellige organismen
18:30
were turning into multi-celled organisms.
437
1110260
3000
veranderden in meercellige organismen.
18:33
So we're the amoebas
438
1113260
2000
Dus wij zijn de amoebes
en we kunnen niet bedenken wat dit ding is dat we creëren.
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1115260
3000
18:38
We're right at that point of transition.
440
1118260
2000
We zitten precies op dat punt van transitie.
18:40
But I think that there really is something coming along after us.
441
1120260
3000
Maar ik denk dat er echt iets na ons gaat komen.
18:43
I think it's very haughty of us
442
1123260
2000
Ik denk dat het erg hoogmoedig is om te denken
18:45
to think that we're the end product of evolution.
443
1125260
3000
dat wij het eindproduct van evolutie zijn.
18:48
And I think all of us here
444
1128260
2000
En ik denk dat wij allemaal
18:50
are a part of producing
445
1130260
2000
deel zijn van de creatie
18:52
whatever that next thing is.
446
1132260
2000
van dat nieuwe ding.
18:54
So lunch is coming along,
447
1134260
2000
Maar nu gaan we lunchen,
18:56
and I think I will stop at that point,
448
1136260
2000
dus ik denk dat ik het hierbij laat,
18:58
before I get selected out.
449
1138260
2000
voordat ik weggeselecteerd word.
19:00
(Applause)
450
1140260
3000
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7