Danny Hillis: Back to the future (of 1994)

80,708 views ・ 2012-02-03

TED


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Isabel Villan Revisor: Rogerio Lourenco
00:15
Because I usually take the role
0
15260
3000
Porque geralmente tomo o papel
00:18
of trying to explain to people
1
18260
2000
de tentar explicar às pessoas
00:20
how wonderful the new technologies
2
20260
3000
quão maravilhosas as novas tecnologias
00:23
that are coming along are going to be,
3
23260
2000
que estão surgindo vão ser,
00:25
and I thought that, since I was among friends here,
4
25260
3000
e pensei isso, já que estava entre amigos aqui,
00:28
I would tell you what I really think
5
28260
4000
vou contar a vocês o que realmente penso
00:32
and try to look back and try to understand
6
32260
2000
e tentar olhar para trás e entender
00:34
what is really going on here
7
34260
3000
o que realmente acontece aqui
00:37
with these amazing jumps in technology
8
37260
5000
com esses espantosos saltos em tecnologia
00:42
that seem so fast that we can barely keep on top of it.
9
42260
3000
que parecem tão rápidos que mal podemos nos manter informados.
00:45
So I'm going to start out
10
45260
2000
Assim, vou começar
00:47
by showing just one very boring technology slide.
11
47260
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
50260
3000
Então, se puderem ligar o slide.
00:56
This is just a random slide
13
56260
2000
Este é só um slide ao acaso
00:58
that I picked out of my file.
14
58260
2000
que retirei de meu arquivo.
01:00
What I want to show you is not so much the details of the slide,
15
60260
3000
O que quero lhes mostrar não são os detalhes do slide,
01:03
but the general form of it.
16
63260
2000
mas o formato geral dele.
01:05
This happens to be a slide of some analysis that we were doing
17
65260
3000
Este é um slide de alguma análise que estávamos fazendo
01:08
about the power of RISC microprocessors
18
68260
3000
sobre o poder dos microprocessadores RISC
01:11
versus the power of local area networks.
19
71260
3000
versus o poder de redes locais.
01:14
And the interesting thing about it
20
74260
2000
E a coisa interessante sobre isso
01:16
is that this slide,
21
76260
2000
é que esse slide,
01:18
like so many technology slides that we're used to,
22
78260
3000
como muitos slides de tecnologia a que estávamos acostumados,
01:21
is a sort of a straight line
23
81260
2000
é um tipo de linha reta
01:23
on a semi-log curve.
24
83260
2000
numa curva de dados exponenciais.
01:25
In other words, every step here
25
85260
2000
Em outras palavras, cada passo aqui
01:27
represents an order of magnitude
26
87260
2000
representa uma ordem de magnitude
01:29
in performance scale.
27
89260
2000
numa escala de desempenho.
01:31
And this is a new thing
28
91260
2000
E esta é uma coisa nova
01:33
that we talk about technology
29
93260
2000
que falamos sobre tecnologia
01:35
on semi-log curves.
30
95260
2000
em curvas de dados exponenciais.
01:37
Something really weird is going on here.
31
97260
2000
Algo realmente estranho está acontecendo aqui.
01:39
And that's basically what I'm going to be talking about.
32
99260
3000
E isso é basicamente sobre o que vou falar.
01:42
So, if you could bring up the lights.
33
102260
3000
Assim, se puderem acender as luzes.
01:47
If you could bring up the lights higher,
34
107260
2000
Se puderem tornar as luzes mais fortes,
01:49
because I'm just going to use a piece of paper here.
35
109260
3000
porque vou usar um pedaço de papel aqui.
01:52
Now why do we draw technology curves
36
112260
2000
Agora, por que desenhamos curvas de tecnologia
01:54
in semi-log curves?
37
114260
2000
em curvas de dados exponenciais?
01:56
Well the answer is, if I drew it on a normal curve
38
116260
3000
Bem, a resposta é, se as desenhássemos numa curva normal,
01:59
where, let's say, this is years,
39
119260
2000
na qual, digamos, isto são anos,
02:01
this is time of some sort,
40
121260
2000
isto é tempo de algum tipo,
02:03
and this is whatever measure of the technology
41
123260
3000
e isto é qualquer medida da tecnologia
02:06
that I'm trying to graph,
42
126260
3000
que estou tentando diagramar,
02:09
the graphs look sort of silly.
43
129260
3000
os gráficos parecem meio tolos.
02:12
They sort of go like this.
44
132260
3000
Eles ficam mais ou menos assim.
02:15
And they don't tell us much.
45
135260
3000
E não nos dizem muito.
02:18
Now if I graph, for instance,
46
138260
3000
Agora, se faço a diagramação, por exemplo,
02:21
some other technology, say transportation technology,
47
141260
2000
de outra tecnologia, digamos tecnologia de tranporte,
02:23
on a semi-log curve,
48
143260
2000
numa curva de dados exponenciais,
02:25
it would look very stupid, it would look like a flat line.
49
145260
3000
ela pareceria muito idiota, pareceria uma linha horizontal.
02:28
But when something like this happens,
50
148260
2000
Mas quando algo como isto acontece,
02:30
things are qualitatively changing.
51
150260
2000
as coisas estão mudando qualitativamente.
02:32
So if transportation technology
52
152260
2000
Assim, se a tecnologia de transporte
02:34
was moving along as fast as microprocessor technology,
53
154260
3000
estivesse se movendo tão rápido quanto a tecnologia do microprocessador,
02:37
then the day after tomorrow,
54
157260
2000
então depois de amanhã,
02:39
I would be able to get in a taxi cab
55
159260
2000
eu seria capaz de entrar em um táxi
02:41
and be in Tokyo in 30 seconds.
56
161260
2000
e estar em Tóquio em 30 segundos.
02:43
It's not moving like that.
57
163260
2000
Ela não está se movendo assim.
02:45
And there's nothing precedented
58
165260
2000
E não há nenhum precedente
02:47
in the history of technology development
59
167260
2000
na história do desenvolvimento da tecnologia
02:49
of this kind of self-feeding growth
60
169260
2000
desse tipo de crescimento auto-alimentado
02:51
where you go by orders of magnitude every few years.
61
171260
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
174260
3000
Agora, a pergunta que gostaria de fazer é,
02:57
if you look at these exponential curves,
63
177260
3000
se você olha para essas curvas exponenciais,
03:00
they don't go on forever.
64
180260
3000
elas não continuam para sempre.
03:03
Things just can't possibly keep changing
65
183260
3000
Possivelmente, as coisas não podem continuar mudando
03:06
as fast as they are.
66
186260
2000
tão rápido quanto estão.
03:08
One of two things is going to happen.
67
188260
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
191260
4000
Ou ela vai se tornar um tipo clássico de curva em S como esta,
03:15
until something totally different comes along,
69
195260
4000
até que algo totalmente diferente surja,
03:19
or maybe it's going to do this.
70
199260
2000
ou, talvez, vá fazer isto.
03:21
That's about all it can do.
71
201260
2000
Isso é tudo que ela pode fazer.
03:23
Now I'm an optimist,
72
203260
2000
Bem, sou um otimista,
03:25
so I sort of think it's probably going to do something like that.
73
205260
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
208260
3000
Se sim, isso significa que agora estamos no meio
03:31
is a transition.
75
211260
2000
de uma transição.
03:33
We're sort of on this line
76
213260
2000
Estamos mais ou menos nesta linha
03:35
in a transition from the way the world used to be
77
215260
2000
em uma transição da forma como o mundo costumava ser
03:37
to some new way that the world is.
78
217260
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
220260
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
223260
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
226260
3000
Qual é esse novo estado para o qual se encaminha o mundo?
03:49
Because the transition seems very, very confusing
82
229260
3000
Porque a transição parece muito, muito confusa
03:52
when we're right in the middle of it.
83
232260
2000
quando você está bem no meio dela.
03:54
Now when I was a kid growing up,
84
234260
3000
Quando eu era uma criança e estava crescendo,
03:57
the future was kind of the year 2000,
85
237260
3000
o futuro era o ano 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
240260
4000
e as pessoas costumavam falar sobre o que aconteceria no ano 2000.
04:04
Now here's a conference
87
244260
2000
Agora, eis aqui uma conferência
04:06
in which people talk about the future,
88
246260
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
248260
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
251260
2000
É tão longe quanto conseguimos ir.
04:13
So in other words, the future has kind of been shrinking
91
253260
3000
Assim, em outras palavras, o futuro como que estava encolhendo
04:16
one year per year
92
256260
3000
um ano por ano
04:19
for my whole lifetime.
93
259260
3000
minha vida inteira.
04:22
Now I think that the reason
94
262260
2000
Penso que o motivo
04:24
is because we all feel
95
264260
2000
é porque todos sentimos
04:26
that something's happening there.
96
266260
2000
que algo está acontecendo ali.
04:28
That transition is happening. We can all sense it.
97
268260
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
270260
2000
E sabemos que não faz muito sentido
04:32
to think out 30, 50 years
99
272260
2000
pensar 30, 50 anos adiante
04:34
because everything's going to be so different
100
274260
3000
porque tudo vai ser tão diferente
04:37
that a simple extrapolation of what we're doing
101
277260
2000
que uma simples extrapolação do que estamos fazendo
04:39
just doesn't make any sense at all.
102
279260
3000
não faz nenhum sentido.
04:42
So what I would like to talk about
103
282260
2000
Então, o que eu gostaria de falar
04:44
is what that could be,
104
284260
2000
é o que isso poderia ser,
04:46
what that transition could be that we're going through.
105
286260
3000
o que essa transição pela qual estamos passando poderia ser.
04:49
Now in order to do that
106
289260
3000
Agora, para fazer isso
04:52
I'm going to have to talk about a bunch of stuff
107
292260
2000
vou ter que falar sobre um punhado de coisas
04:54
that really has nothing to do
108
294260
2000
que realmente não têm nada a ver
04:56
with technology and computers.
109
296260
2000
com tecnologia e computadores.
04:58
Because I think the only way to understand this
110
298260
2000
Porque penso que a única forma de entender isto
05:00
is to really step back
111
300260
2000
é realmente retroceder
05:02
and take a long time scale look at things.
112
302260
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
304260
3000
A escala de tempo com a qual eu gostaria de olhar isto
05:07
is the time scale of life on Earth.
114
307260
3000
é a escala de tempo da vida na Terra.
05:13
So I think this picture makes sense
115
313260
2000
Assim, penso que esse quadro faz sentido
05:15
if you look at it a few billion years at a time.
116
315260
4000
se você olha alguns bilhões de anos de cada vez.
05:19
So if you go back
117
319260
2000
Então, se você retrocede
05:21
about two and a half billion years,
118
321260
2000
aproximadamente dois e meio bilhões de anos,
05:23
the Earth was this big, sterile hunk of rock
119
323260
3000
a Terra era esse enorme pedaço de rocha árida
05:26
with a lot of chemicals floating around on it.
120
326260
3000
com muitos elementos químicos flutuando ao seu redor.
05:29
And if you look at the way
121
329260
2000
E se você olha para a forma
05:31
that the chemicals got organized,
122
331260
2000
como os químicos se organizaram,
05:33
we begin to get a pretty good idea of how they do it.
123
333260
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
336260
3000
E acho que há teorias que estão começando a entender
05:39
about how it started with RNA,
125
339260
2000
como isso começou com RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
341260
3000
mas vou contar um tipo de história simples dela,
05:44
which is that, at that time,
127
344260
2000
que é a de que, naquela época,
05:46
there were little drops of oil floating around
128
346260
3000
havia pequenas gotas de óleo flutuando
05:49
with all kinds of different recipes of chemicals in them.
129
349260
3000
com todos os tipos de receitas diferentes de químicos nelas.
05:52
And some of those drops of oil
130
352260
2000
E algumas dessas gotas de óleo
05:54
had a particular combination of chemicals in them
131
354260
2000
tinham uma combinação específica de químicos
05:56
which caused them to incorporate chemicals from the outside
132
356260
3000
que fez com que elas incorporassem químicos de fora delas
05:59
and grow the drops of oil.
133
359260
3000
e assim aumentassem.
06:02
And those that were like that
134
362260
2000
E aquelas que eram assim
06:04
started to split and divide.
135
364260
2000
começaram a separar-se e dividir-se.
06:06
And those were the most primitive forms of cells in a sense,
136
366260
3000
E aquelas foram as mais primitivas formas de células num certo sentido,
06:09
those little drops of oil.
137
369260
2000
aquelas pequenas gotas de óleo.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
371260
3000
Mas aquelas gotas de óleo não estavam realmente vivas, como descrevemos vida agora,
06:14
because every one of them
139
374260
2000
porque cada uma delas
06:16
was a little random recipe of chemicals.
140
376260
2000
era uma pequena receita errática de químicos.
06:18
And every time it divided,
141
378260
2000
E toda vez que se dividiam,
06:20
they got sort of unequal division
142
380260
3000
tinham um tipo desigual de divisão
06:23
of the chemicals within them.
143
383260
2000
dos químicos dentro delas.
06:25
And so every drop was a little bit different.
144
385260
3000
E dessa forma cada gota era um pouquinho diferente.
06:28
In fact, the drops that were different in a way
145
388260
2000
De fato, as gotas que eram diferentes de uma forma
06:30
that caused them to be better
146
390260
2000
que se tornavam melhores
06:32
at incorporating chemicals around them,
147
392260
2000
na incorporação de químicos ao redor delas,
06:34
grew more and incorporated more chemicals and divided more.
148
394260
3000
aumentavam mais, incorporavam mais químicos e se dividiam mais.
06:37
So those tended to live longer,
149
397260
2000
Assim, essas tendiam a viver mais tempo,
06:39
get expressed more.
150
399260
3000
manifestar-se mais.
06:42
Now that's sort of just a very simple
151
402260
3000
Isso é um tipo de forma de vida
06:45
chemical form of life,
152
405260
2000
química muito simples,
06:47
but when things got interesting
153
407260
3000
mas as coisas ficaram interessantes
06:50
was when these drops
154
410260
2000
quando essas gotas
06:52
learned a trick about abstraction.
155
412260
3000
aprenderam um truque sobre separação.
06:55
Somehow by ways that we don't quite understand,
156
415260
3000
De alguma maneira, por meios que não entendemos completamente,
06:58
these little drops learned to write down information.
157
418260
3000
essas pequenas gotas aprenderam a escrever informação.
07:01
They learned to record the information
158
421260
2000
Elas aprenderam a registrar a informação
07:03
that was the recipe of the cell
159
423260
2000
que era a receita da célula
07:05
onto a particular kind of chemical
160
425260
2000
num tipo específico de químico
07:07
called DNA.
161
427260
2000
chamado DNA.
07:09
So in other words, they worked out,
162
429260
2000
Em outras palavras, elas desenvolveram,
07:11
in this mindless sort of evolutionary way,
163
431260
3000
nesse negligente tipo de rota evolucionária,
07:14
a form of writing that let them write down what they were,
164
434260
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
437260
3000
de modo que essa forma de escrever pudesse ser copiada.
07:20
The amazing thing is that that way of writing
166
440260
3000
A coisa surpreendente é que essa forma de escrever
07:23
seems to have stayed steady
167
443260
2000
parece ter permanecido estável
07:25
since it evolved two and a half billion years ago.
168
445260
2000
desde que evoluiu dois e meio bilhões de anos atrás.
07:27
In fact the recipe for us, our genes,
169
447260
3000
De fato, a receita para nós, nossos genes,
07:30
is exactly that same code and that same way of writing.
170
450260
3000
é exatamente esse mesmo código e essa mesma forma de escrever.
07:33
In fact, every living creature is written
171
453260
3000
De fato, cada ser vivo está escrito
07:36
in exactly the same set of letters and the same code.
172
456260
2000
exatamente no mesmo conjunto de letras e no mesmo código.
07:38
In fact, one of the things that I did
173
458260
2000
De fato, uma das coisas que fiz
07:40
just for amusement purposes
174
460260
2000
apenas por diversão
07:42
is we can now write things in this code.
175
462260
2000
é que podemos agora escrever coisas nesse código.
07:44
And I've got here a little 100 micrograms of white powder,
176
464260
6000
E tenho aqui 100 microgramas de polvilho branco,
07:50
which I try not to let the security people see at airports.
177
470260
4000
que eu tento não deixar que os seguranças vejam em aeroportos.
07:54
(Laughter)
178
474260
2000
(Risadas)
07:56
But this has in it --
179
476260
2000
Mas isso tem nele --
07:58
what I did is I took this code --
180
478260
2000
o que fiz foi pegar esse código --
08:00
the code has standard letters that we use for symbolizing it --
181
480260
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
483260
3000
e escrevi meu cartão de visitas em um pedaço de DNA
08:06
and amplified it 10 to the 22 times.
183
486260
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
489260
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
492260
2000
tenho bastantes para todos na sala,
08:14
and, in fact, everyone in the world,
186
494260
2000
e, na verdade, todos no mundo,
08:16
and it's right here.
187
496260
3000
e estão bem aqui.
08:19
(Laughter)
188
499260
5000
(Risadas)
08:26
If I had really been a egotist,
189
506260
2000
Se eu fosse realmente um egoísta,
08:28
I would have put it into a virus and released it in the room.
190
508260
3000
teria colocado um vírus e liberado na sala.
08:31
(Laughter)
191
511260
5000
(Risadas)
08:39
So what was the next step?
192
519260
2000
Qual foi o próximo passo?
08:41
Writing down the DNA was an interesting step.
193
521260
2000
Escrever o DNA foi um passo interessante.
08:43
And that caused these cells --
194
523260
2000
E isso fez com que as células --
08:45
that kept them happy for another billion years.
195
525260
2000
se mantivessem felizes por outro bilhão de anos.
08:47
But then there was another really interesting step
196
527260
2000
Mas, então, houve um outro passo realmente interessante
08:49
where things became completely different,
197
529260
3000
no qual as coisas se tornaram completamente diferentes,
08:52
which is these cells started exchanging and communicating information,
198
532260
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
535260
2000
e assim começaram a formar comunidades de células.
08:57
I don't know if you know this,
200
537260
2000
Não sei se sabem disso,
08:59
but bacteria can actually exchange DNA.
201
539260
2000
mas as bactérias podem realmente trocar DNA.
09:01
Now that's why, for instance,
202
541260
2000
E é por causa disso, por exemplo,
09:03
antibiotic resistance has evolved.
203
543260
2000
que a resistência a antibióticos evoluiu.
09:05
Some bacteria figured out how to stay away from penicillin,
204
545260
3000
Algumas bactérias descobriram como ficar longe da penicilina,
09:08
and it went around sort of creating its little DNA information
205
548260
3000
e acabaram como que criando essa pequena informação no DNA
09:11
with other bacteria,
206
551260
2000
com outra bactéria,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
553260
3000
e agora temos muitas bactérias que são resistentes à penicilina,
09:16
because bacteria communicate.
208
556260
2000
porque as bactérias se comunicam.
09:18
Now what this communication allowed
209
558260
2000
O que essa comunicação permitiu
09:20
was communities to form
210
560260
2000
foi as comunidades formarem-se
09:22
that, in some sense, were in the same boat together;
211
562260
2000
pois, num certo sentido, estavam juntas num mesmo barco;
09:24
they were synergistic.
212
564260
2000
elas eram sinérgicas.
09:26
So they survived
213
566260
2000
Assim, elas sobreviveram
09:28
or they failed together,
214
568260
2000
ou pereceram juntas,
09:30
which means that if a community was very successful,
215
570260
2000
o que significa que se a comunidade fosse bem sucedida,
09:32
all the individuals in that community
216
572260
2000
todos os indivíduos nessa comunidade
09:34
were repeated more
217
574260
2000
seriam mais repetidos
09:36
and they were favored by evolution.
218
576260
3000
e favorecidos pela evolução.
09:39
Now the transition point happened
219
579260
2000
Agora, o ponto de transição ocorreu
09:41
when these communities got so close
220
581260
2000
quando essas comunidades ficaram tão próximas
09:43
that, in fact, they got together
221
583260
2000
que, de fato, se juntaram
09:45
and decided to write down the whole recipe for the community
222
585260
3000
e decidiram escrever a receita completa para a comunidade
09:48
together on one string of DNA.
223
588260
3000
em um filamento do DNA.
09:51
And so the next stage that's interesting in life
224
591260
2000
E assim a próxima etapa que é interessante na vida
09:53
took about another billion years.
225
593260
2000
levou aproximadamente outro bilhão de anos.
09:55
And at that stage,
226
595260
2000
E nessa etapa,
09:57
we have multi-cellular communities,
227
597260
2000
temos comunidades pluricelulares,
09:59
communities of lots of different types of cells,
228
599260
2000
comunidade de muitos tipos diferentes de células,
10:01
working together as a single organism.
229
601260
2000
trabalhando juntas como um único organismo.
10:03
And in fact, we're such a multi-cellular community.
230
603260
3000
E, na verdade, nós somos essas comunidades pluricelulares.
10:06
We have lots of cells
231
606260
2000
Temos muitas células
10:08
that are not out for themselves anymore.
232
608260
2000
que não atuam mais por si mesmas.
10:10
Your skin cell is really useless
233
610260
3000
Uma célula de pele é realmente sem valor
10:13
without a heart cell, muscle cell,
234
613260
2000
sem uma célula de coração, célula de músculo,
10:15
a brain cell and so on.
235
615260
2000
célula de cérebro e assim por diante.
10:17
So these communities began to evolve
236
617260
2000
Assim, essas comunidades começaram a evoluir
10:19
so that the interesting level on which evolution was taking place
237
619260
3000
de modo que o nível interessante no qual a evolução estava ocorrendo
10:22
was no longer a cell,
238
622260
2000
não era mais a célula,
10:24
but a community which we call an organism.
239
624260
3000
mas a comunidade que chamamos de organismo.
10:28
Now the next step that happened
240
628260
2000
Daí o próximo passo que acontece
10:30
is within these communities.
241
630260
2000
é dentro dessas comunidades.
10:32
These communities of cells,
242
632260
2000
Essas comunidades de células,
10:34
again, began to abstract information.
243
634260
2000
novamente, começaram a abstrair informação.
10:36
And they began building very special structures
244
636260
3000
E começaram a construir estruturas muito especiais
10:39
that did nothing but process information within the community.
245
639260
3000
que não faziam outra coisa senão processar informação dentro da comunidade.
10:42
And those are the neural structures.
246
642260
2000
E essas são as estruturas neurais.
10:44
So neurons are the information processing apparatus
247
644260
3000
Portanto, os neurônios são o aparato para processar informação
10:47
that those communities of cells built up.
248
647260
3000
que essas comunidades de células construíram.
10:50
And in fact, they began to get specialists in the community
249
650260
2000
E, na verdade, elas começaram a ter especialistas na comunidade
10:52
and special structures
250
652260
2000
e estruturas especiais
10:54
that were responsible for recording,
251
654260
2000
que eram responsáveis por registrar,
10:56
understanding, learning information.
252
656260
3000
entender, conhecer informação.
10:59
And that was the brains and the nervous system
253
659260
2000
E isso eram o cérebro e o sistema nervoso
11:01
of those communities.
254
661260
2000
dessas comunidades.
11:03
And that gave them an evolutionary advantage.
255
663260
2000
E isso deu a elas uma vantagem evolucionária.
11:05
Because at that point,
256
665260
3000
Porque nesse ponto,
11:08
an individual --
257
668260
3000
um indivíduo --
11:11
learning could happen
258
671260
2000
o aprendizado podia ocorrer
11:13
within the time span of a single organism,
259
673260
2000
dentro do tempo de vida de um único organismo,
11:15
instead of over this evolutionary time span.
260
675260
3000
em vez de no tempo necessário à evolução.
11:18
So an organism could, for instance,
261
678260
2000
Dessa forma, um organismo podia, por exemplo,
11:20
learn not to eat a certain kind of fruit
262
680260
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
682260
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
686260
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
689260
4000
enquanto que antes elas construíam essas informações especiais processando estruturas,
11:33
that would have had to be learned evolutionarily
266
693260
2000
que teriam que ser aprendidas evolucionariamente
11:35
over hundreds of thousands of years
267
695260
3000
por centenas de milhares de anos
11:38
by the individuals dying off that ate that kind of fruit.
268
698260
3000
com indivíduos que morreram porque comeram esse tipo de fruto.
11:41
So that nervous system,
269
701260
2000
Deste modo, esse sistema nervoso,
11:43
the fact that they built these special information structures,
270
703260
3000
o fato de que elas construíram essas estruturas especiais de informação,
11:46
tremendously sped up the whole process of evolution.
271
706260
3000
aceleraram tremendamente todo o processo de evolução.
11:49
Because evolution could now happen within an individual.
272
709260
3000
Porque a evolução podia agora acontecer dentro de um indivíduo.
11:52
It could happen in learning time scales.
273
712260
3000
Podia acontecer em escalas de tempo da aprendizagem.
11:55
But then what happened
274
715260
2000
A seguir o que aconteceu
11:57
was the individuals worked out,
275
717260
2000
foi que os indivíduos desenvolveram,
11:59
of course, tricks of communicating.
276
719260
2000
é claro, truques para comunicar-se.
12:01
And for example,
277
721260
2000
E, por exemplo,
12:03
the most sophisticated version that we're aware of is human language.
278
723260
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
726260
3000
É realmente uma invenção muito surpreendente se você pensa sobre ela.
12:09
Here I have a very complicated, messy,
280
729260
2000
Aqui eu tenho uma ideia muito complicada, desordenada
12:11
confused idea in my head.
281
731260
3000
e confusa em minha mente.
12:14
I'm sitting here making grunting sounds basically,
282
734260
3000
Estou sentado aqui fazendo sons e grunhidos basicamente,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
737260
3000
e, esperançosamente, construindo uma similar ideia desordenada e confusa em sua mente
12:20
that bears some analogy to it.
284
740260
2000
que apresenta alguma analogia com ela.
12:22
But we're taking something very complicated,
285
742260
2000
Estamos pegando algo muito complicado,
12:24
turning it into sound, sequences of sounds,
286
744260
3000
transformando-o em som, sequências de sons,
12:27
and producing something very complicated in your brain.
287
747260
4000
e produzindo algo muito complicado em seu cérebro.
12:31
So this allows us now
288
751260
2000
Isso nos permite, agora,
12:33
to begin to start functioning
289
753260
2000
começar a funcionar
12:35
as a single organism.
290
755260
3000
como um único organismo.
12:38
And so, in fact, what we've done
291
758260
3000
E assim, na verdade, o que fizemos
12:41
is we, humanity,
292
761260
2000
é que nós, humanidade,
12:43
have started abstracting out.
293
763260
2000
começamos a abstrair.
12:45
We're going through the same levels
294
765260
2000
Estamos indo pelos mesmos níveis
12:47
that multi-cellular organisms have gone through --
295
767260
2000
que organismos pluricelulares foram --
12:49
abstracting out our methods of recording,
296
769260
3000
abstraindo de nossos métodos de registrar,
12:52
presenting, processing information.
297
772260
2000
apresentar, processar informação.
12:54
So for example, the invention of language
298
774260
2000
Dessa maneira, por exemplo, a invenção da linguagem
12:56
was a tiny step in that direction.
299
776260
3000
foi um pequenino passo nessa direção.
12:59
Telephony, computers,
300
779260
2000
Telefonia, computadores,
13:01
videotapes, CD-ROMs and so on
301
781260
3000
fitas de vídeo, CD-ROMs e outros
13:04
are all our specialized mechanisms
302
784260
2000
são todos nossos mecanismos especializados
13:06
that we've now built within our society
303
786260
2000
que construímos dentro de nossa sociedade
13:08
for handling that information.
304
788260
2000
para lidar com essa informação.
13:10
And it all connects us together
305
790260
3000
E isso tudo nos conecta
13:13
into something
306
793260
2000
em algo
13:15
that is much bigger
307
795260
2000
que é muito maior
13:17
and much faster
308
797260
2000
e muito mais rápido
13:19
and able to evolve
309
799260
2000
e capaz de evoluir
13:21
than what we were before.
310
801260
2000
do que o que éramos antes.
13:23
So now, evolution can take place
311
803260
2000
Agora, a evolução pode acontecer
13:25
on a scale of microseconds.
312
805260
2000
numa escala de microssegundos.
13:27
And you saw Ty's little evolutionary example
313
807260
2000
E vocês viram o pequeno exemplo evolucionário de Ty
13:29
where he sort of did a little bit of evolution
314
809260
2000
no qual ele como que colocou um pouquinho de evolução
13:31
on the Convolution program right before your eyes.
315
811260
3000
no programa Convolution (Convolução) bem diante de vocês.
13:34
So now we've speeded up the time scales once again.
316
814260
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
817260
2000
Assim, os primeiros passos da história que lhes contei
13:39
took a billion years a piece.
318
819260
2000
levaram um bilhão de anos em cada fase.
13:41
And the next steps,
319
821260
2000
E os passos seguintes,
13:43
like nervous systems and brains,
320
823260
2000
como sistema nervoso e cérebros,
13:45
took a few hundred million years.
321
825260
2000
levaram algumas centenas de milhões de anos.
13:47
Then the next steps, like language and so on,
322
827260
3000
Os passos seguintes, como linguagem e assim por diante,
13:50
took less than a million years.
323
830260
2000
levaram menos que um milhão de anos.
13:52
And these next steps, like electronics,
324
832260
2000
E estes próximos passos, como a eletrônica,
13:54
seem to be taking only a few decades.
325
834260
2000
parecem levar apenas umas poucas décadas.
13:56
The process is feeding on itself
326
836260
2000
O processo está se alimentando em si mesmo
13:58
and becoming, I guess, autocatalytic is the word for it --
327
838260
3000
e transformando-se, eu acho, autocatálise é a palavra para isso --
14:01
when something reinforces its rate of change.
328
841260
3000
quando algo aumenta sua taxa de alteração.
14:04
The more it changes, the faster it changes.
329
844260
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
847260
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
850260
3000
Estamos vendo esse processo se realimentando em si mesmo.
14:13
Now I design computers for a living,
332
853260
3000
Projeto computadores como profissão,
14:16
and I know that the mechanisms
333
856260
2000
e sei que os mecanismos
14:18
that I use to design computers
334
858260
3000
que uso para projetar computadores
14:21
would be impossible
335
861260
2000
seriam impossíveis
14:23
without recent advances in computers.
336
863260
2000
sem os avanços recentes em computadores.
14:25
So right now, what I do
337
865260
2000
O que faço agora
14:27
is I design objects at such complexity
338
867260
3000
é projetar objetos de tal complexidade
14:30
that it's really impossible for me to design them in the traditional sense.
339
870260
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
873260
4000
Não sei o que cada transístor faz na conexão da máquina.
14:37
There are billions of them.
341
877260
2000
Existem bilhões deles.
14:39
Instead, what I do
342
879260
2000
Em vez disso, o que faço
14:41
and what the designers at Thinking Machines do
343
881260
3000
e o que os projetistas na Thinking Machines fazem
14:44
is we think at some level of abstraction
344
884260
2000
é pensar em um nível de abstração
14:46
and then we hand it to the machine
345
886260
2000
e então repassar isso para a máquina
14:48
and the machine takes it beyond what we could ever do,
346
888260
3000
e a máquina leva isso além do que poderíamos fazer,
14:51
much farther and faster than we could ever do.
347
891260
3000
muito mais distante e mais rápido do que poderíamos fazer.
14:54
And in fact, sometimes it takes it by methods
348
894260
2000
E, na verdade, algumas vezes ela leva com métodos
14:56
that we don't quite even understand.
349
896260
3000
que nem mesmo entendemos.
14:59
One method that's particularly interesting
350
899260
2000
Um método que é particularmente interessante,
15:01
that I've been using a lot lately
351
901260
3000
que tenho usado muito ultimamente,
15:04
is evolution itself.
352
904260
2000
é a própria evolução.
15:06
So what we do
353
906260
2000
O que fazemos
15:08
is we put inside the machine
354
908260
2000
é colocar dentro da máquina
15:10
a process of evolution
355
910260
2000
um processo de evolução
15:12
that takes place on the microsecond time scale.
356
912260
2000
que ocorre na escala de tempo dos microssegundos.
15:14
So for example,
357
914260
2000
Por exemplo,
15:16
in the most extreme cases,
358
916260
2000
nos casos mais extremos,
15:18
we can actually evolve a program
359
918260
2000
podemos realmente evoluir um programa
15:20
by starting out with random sequences of instructions.
360
920260
4000
começando com uma sequência aleatória de instruções.
15:24
Say, "Computer, would you please make
361
924260
2000
Digamos: "Computador, por favor, você poderia fazer
15:26
a hundred million random sequences of instructions.
362
926260
3000
cem milhões de sequências aleatórias de instruções.
15:29
Now would you please run all of those random sequences of instructions,
363
929260
3000
Agora, por favor, você roda todas essas sequências aleatórias de instruções,
15:32
run all of those programs,
364
932260
2000
roda todos esses programas,
15:34
and pick out the ones that came closest to doing what I wanted."
365
934260
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
937260
2000
Em outras palavras, eu defini o que eu queria.
15:39
Let's say I want to sort numbers,
367
939260
2000
Digamos que eu queira pôr em ordem números,
15:41
as a simple example I've done it with.
368
941260
2000
como um simples exemplo do que se pode fazer.
15:43
So find the programs that come closest to sorting numbers.
369
943260
3000
Encontro programas que mais se aproximam de sequenciar números.
15:46
So of course, random sequences of instructions
370
946260
3000
Obviamente, sequências aleatórias de instruções
15:49
are very unlikely to sort numbers,
371
949260
2000
não põem ordem em números,
15:51
so none of them will really do it.
372
951260
2000
portanto, nenhuma delas vai realmente fazer isso.
15:53
But one of them, by luck,
373
953260
2000
Mas uma delas, por sorte,
15:55
may put two numbers in the right order.
374
955260
2000
pode colocar dois números na ordem correta.
15:57
And I say, "Computer,
375
957260
2000
E digo: "Computador,
15:59
would you please now take the 10 percent
376
959260
3000
você poderia, por favor, pegar os 10 por cento
16:02
of those random sequences that did the best job.
377
962260
2000
dessas sequências aleatórias que tiveram o melhor desempenho.
16:04
Save those. Kill off the rest.
378
964260
2000
Salve essas. Descarte as restantes.
16:06
And now let's reproduce
379
966260
2000
E agora vamos reproduzir
16:08
the ones that sorted numbers the best.
380
968260
2000
aquelas que melhor sequenciaram os números.
16:10
And let's reproduce them by a process of recombination
381
970260
3000
E vamos reproduzi-las por um processo de recombinação
16:13
analogous to sex."
382
973260
2000
análogo ao sexo."
16:15
Take two programs and they produce children
383
975260
3000
Pegue dois programas e eles produzem filhos
16:18
by exchanging their subroutines,
384
978260
2000
trocando suas sub-rotinas,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
980260
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
983260
3000
Obtive uma nova geração de programas
16:26
that are produced by combinations
387
986260
2000
que são produzidos pelas combinações
16:28
of the programs that did a little bit better job.
388
988260
2000
de programas que fizeram um trabalho um pouquinho melhor.
16:30
Say, "Please repeat that process."
389
990260
2000
Diga: "Por favor, repita esse processo."
16:32
Score them again.
390
992260
2000
Classifique-as novamente.
16:34
Introduce some mutations perhaps.
391
994260
2000
Introduza algumas mutações, talvez.
16:36
And try that again and do that for another generation.
392
996260
3000
Tente novamente e faça isso para uma outra geração.
16:39
Well every one of those generations just takes a few milliseconds.
393
999260
3000
Bem, cada uma dessas gerações leva apenas poucos milissegundos.
16:42
So I can do the equivalent
394
1002260
2000
Dessa maneira, posso fazer o equivalente
16:44
of millions of years of evolution on that
395
1004260
2000
a milhões de anos de evolução nisso
16:46
within the computer in a few minutes,
396
1006260
3000
dentro do computador em poucos minutos,
16:49
or in the complicated cases, in a few hours.
397
1009260
2000
ou, nos casos complicados, em poucas horas.
16:51
At the end of that, I end up with programs
398
1011260
3000
No fim disso, acabo com programas
16:54
that are absolutely perfect at sorting numbers.
399
1014260
2000
que são absolutamente perfeitos para sequenciar números.
16:56
In fact, they are programs that are much more efficient
400
1016260
3000
De fato, eles são programas que são muito mais eficientes
16:59
than programs I could have ever written by hand.
401
1019260
2000
que programas que eu poderia escrever a mão.
17:01
Now if I look at those programs,
402
1021260
2000
Agora, se olho para esses programas,
17:03
I can't tell you how they work.
403
1023260
2000
não consigo dizer como eles funcionam.
17:05
I've tried looking at them and telling you how they work.
404
1025260
2000
Tentei olhar para eles e dizer como funcionam.
17:07
They're obscure, weird programs.
405
1027260
2000
Eles são programas estranhos, obscuros.
17:09
But they do the job.
406
1029260
2000
Mas eles executam a tarefa.
17:11
And in fact, I know, I'm very confident that they do the job
407
1031260
3000
De fato, eu sei, estou muito confiante de que eles executam a tarefa
17:14
because they come from a line
408
1034260
2000
porque eles vêm de uma linha
17:16
of hundreds of thousands of programs that did the job.
409
1036260
2000
de centenas de milhares de programas que executaram a tarefa.
17:18
In fact, their life depended on doing the job.
410
1038260
3000
Na verdade, a vida deles dependia do executar a tarefa.
17:21
(Laughter)
411
1041260
4000
(Risadas)
17:26
I was riding in a 747
412
1046260
2000
Estava voando num 747
17:28
with Marvin Minsky once,
413
1048260
2000
com Marvin Minsky, certa vez,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1050260
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
1053260
4000
Diz: 'Este avião tem centenas de milhares de minúsculas peças
17:37
working together to make you a safe flight.'
416
1057260
4000
trabalhando juntas para dar a você um voo seguro.'
17:41
Doesn't that make you feel confident?"
417
1061260
2000
Isso não o deixa confiante?"
17:43
(Laughter)
418
1063260
2000
(Risadas)
17:45
In fact, we know that the engineering process doesn't work very well
419
1065260
3000
Na verdade, sabemos que o processo de engenharia não funciona muito bem
17:48
when it gets complicated.
420
1068260
2000
quando se torna complicado.
17:50
So we're beginning to depend on computers
421
1070260
2000
Portanto, estamos começando a depender de computadores
17:52
to do a process that's very different than engineering.
422
1072260
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
1076260
3000
E ele nos permite produzir coisas de muito maior complexidade
17:59
than normal engineering lets us produce.
424
1079260
2000
do que a engenharia normal nos permite produzir.
18:01
And yet, we don't quite understand the options of it.
425
1081260
3000
E ainda assim, não entendemos muito bem as opções disto.
18:04
So in a sense, it's getting ahead of us.
426
1084260
2000
Em um certo sentido, está ficando à nossa frente.
18:06
We're now using those programs
427
1086260
2000
Agora estamos usando esses programas
18:08
to make much faster computers
428
1088260
2000
para fazer computadores muito mais rápidos
18:10
so that we'll be able to run this process much faster.
429
1090260
3000
para que sejamos capazes de rodar esse processo mais rápido.
18:13
So it's feeding back on itself.
430
1093260
3000
Assim, está se realimentando em si mesmo.
18:16
The thing is becoming faster
431
1096260
2000
A coisa está ficando mais rápida
18:18
and that's why I think it seems so confusing.
432
1098260
2000
e é por isso que acho que parece tão confusa.
18:20
Because all of these technologies are feeding back on themselves.
433
1100260
3000
Porque todas essas tecnologias estão se realimentando em si mesmas.
18:23
We're taking off.
434
1103260
2000
Estamos decolando.
18:25
And what we are is we're at a point in time
435
1105260
3000
E o que somos é que estamos em um ponto no tempo
18:28
which is analogous to when single-celled organisms
436
1108260
2000
que é análogo a quando organismos unicelulares
18:30
were turning into multi-celled organisms.
437
1110260
3000
estavam se tornando organismos pluricelulares.
18:33
So we're the amoebas
438
1113260
2000
Portanto, somos as amebas
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1115260
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
1118260
2000
Estamos exatamente nesse ponto de transição.
18:40
But I think that there really is something coming along after us.
441
1120260
3000
Mas penso que realmente há algo vindo acelerado depois de nós.
18:43
I think it's very haughty of us
442
1123260
2000
Penso que é muita arrogância de nossa parte
18:45
to think that we're the end product of evolution.
443
1125260
3000
achar que somos o produto final da evolução.
18:48
And I think all of us here
444
1128260
2000
E penso que todos nós aqui
18:50
are a part of producing
445
1130260
2000
somos uma peça produzindo
18:52
whatever that next thing is.
446
1132260
2000
o que quer que seja essa próxima coisa.
18:54
So lunch is coming along,
447
1134260
2000
Então, o almoço está chegando,
18:56
and I think I will stop at that point,
448
1136260
2000
e acho que vou parar nesse ponto,
18:58
before I get selected out.
449
1138260
2000
antes que eu seja descartado.
19:00
(Applause)
450
1140260
3000
(Aplausos)
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7