Επειδή συνήθως αναλαμβάνω το ρόλο του να εξηγώ στον κόσμο το πόσο υπέροχες θα είναι οι νέες τεχνολογίες που εμφανίζονται και σκέφτηκα ότι αφού εδώ βρίσκομαι με φίλους, θα σας πω τι πραγματικά πιστεύω και θα προσπαθήσω να κοιτάξω πίσω και να καταλάβω τι πραγματικά συμβαίνει εδώ με αυτά τα εκπληκτικά άλματα στην τεχνολογία που μοιάζουν τόσο γρήγορα που μόλις που καταφέρνουμε να τα ακολουθούμε.
Because I usually take the role of trying to explain to people how wonderful the new technologies that are coming along are going to be, and I thought that, since I was among friends here, I would tell you what I really think and try to look back and try to understand what is really going on here with these amazing jumps in technology that seem so fast that we can barely keep on top of it.
Θα ξεκινήσω, λοιπόν, δείχνοντας μια πολύ βαρετή διαφάνεια για την τεχνολογία. Αν μπορείτε λοιπόν να δείξετε τη διαφάνεια. Αυτή είναι μια τυχαία διαφάνεια που επέλεξα από το φάκελό μου. Αυτό που θέλω να σας δείξω δεν είναι τόσο οι λεπτομέρειες στη διαφάνεια, αλλά η γενική της μορφή. Τυχαίνει να είναι μια διαφάνεια μιας ανάλυσης που κάναμε για την ενέργεια των μικροεπεξεργαστών υπολογιστών περιορισμένου ρεπερτορίου εντολών έναντι της ενέργειας των τοπικών δικτύων. Αυτό που παρουσιάζει ενδιαφέρον είναι ότι αυτή η διαφάνεια, όπως και πολλές διαφάνειες για την τεχνολογία που έχουμε συνηθίσει, είναι σαν μια ίσια γραμμή σε μια ημιλογαριθμική καμπύλη. Με άλλα λόγια, το κάθε βήμα εδώ συμβολίζει μια τάξη μεγέθους σε μία κλίμακα. Αυτό είναι κάτι καινούργιο το να μιλάμε για την τεχνολογία με ημιλογαριθμικές καμπύλες. Κάτι πολύ παράξενο συμβαίνει εδώ. Αυτό στην ουσία είναι το θέμα για το οποίο θα μιλήσω.
So I'm going to start out by showing just one very boring technology slide. And then, so if you can just turn on the slide that's on. This is just a random slide that I picked out of my file. What I want to show you is not so much the details of the slide, but the general form of it. This happens to be a slide of some analysis that we were doing about the power of RISC microprocessors versus the power of local area networks. And the interesting thing about it is that this slide, like so many technology slides that we're used to, is a sort of a straight line on a semi-log curve. In other words, every step here represents an order of magnitude in performance scale. And this is a new thing that we talk about technology on semi-log curves. Something really weird is going on here. And that's basically what I'm going to be talking about.
Αν μπορούσατε να σηκώσετε τα φώτα. Λίγο ψηλότερα, γιατί θα χρησιμοποιήσω ένα χαρτί εδώ. Γιατί λοιπόν σχεδιάζουμε τεχνολογικές καμπύλες με ημιλογαριθμικές καμπύλες; Η απάντηση είναι πως αν σχεδίαζα μία κανονική καμπύλη εκεί που, ας πούμε, έχουμε χρόνια, αυτός είναι κάποιου είδους χρόνος, κι αυτό είναι οποιοδήποτε μέτρο της τεχνολογίας που προσπαθώ να σχεδιάσω γραφικά, τα γραφήματα φαίνονται κάπως χαζά. Πάνε κάπως έτσι. Δεν μας λένε πολλά. Αν, για παράδειγμα, σχεδιάσω γραφικά μια κάποια άλλη τεχνολογία, ας πούμε τεχνολογία μεταφορών, σε ημιλογαριθμική καμπύλη, θα φαινόταν πολύ χαζό, θα έμοιαζε με μια ίσια γραμμή. Όταν, όμως, συμβαίνει κάτι τέτοιο, τα πράγματα αλλάζουν ποιοτικά. Αν, λοιπόν, η τεχνολογία μεταφορών κινούταν τόσο γρήγορα όσο και η τεχνολογία μικροεπεξεργαστών, τότε μεθαύριο, θα μπορούσα να μπω σε ένα ταξί και να είμαι στο Τόκυο σε 30 δευτερόλεπτα. Δεν κινείται έτσι. Δεν υπάρχει κανένα προηγούμενο, στην ιστορία της ανάπτυξης της τεχνολογίας, τέτοιου είδους αυτοτροφοδοτούμενης ανάπτυξης όπου πηγαίνεις σύμφωνα με τις τάξεις μεγέθους κάθε λίγα χρόνια.
So, if you could bring up the lights. If you could bring up the lights higher, because I'm just going to use a piece of paper here. Now why do we draw technology curves in semi-log curves? Well the answer is, if I drew it on a normal curve where, let's say, this is years, this is time of some sort, and this is whatever measure of the technology that I'm trying to graph, the graphs look sort of silly. They sort of go like this. And they don't tell us much. Now if I graph, for instance, some other technology, say transportation technology, on a semi-log curve, it would look very stupid, it would look like a flat line. But when something like this happens, things are qualitatively changing. So if transportation technology was moving along as fast as microprocessor technology, then the day after tomorrow, I would be able to get in a taxi cab and be in Tokyo in 30 seconds. It's not moving like that. And there's nothing precedented in the history of technology development of this kind of self-feeding growth where you go by orders of magnitude every few years.
Η ερώτηση που θα ήθελα να κάνω είναι, εάν κοιτάξετε αυτές τις εκθετικές καμπύλες, δεν συνεχίζουν επ' αόριστον. Απλώς τα πράγματα δεν μπορούν να συνεχίζουν να αλλάζουν τόσο γρήγορα. Θα συμβεί ένα από τα δύο πράγματα. Είτε θα βγει μία κάπως κλασικά S-καμπύλη σαν κι αυτή, μέχρι να προκύψει κάτι εντελώς διαφορετικό, είτε ίσως να κάνει αυτό. Μόνο αυτά μπορεί να συμβούν. Είμαι αισιόδοξος άνθρωπος, οπότε πιστεύω ότι θα κάνει κάτι τέτοιο. Αν το κάνει, σημαίνει ότι αυτό που κάνουμε αυτή τη στιγμή είναι μία μετάβαση. Είμαστε περίπου σε αυτήν τη γραμμή σε μία μετάβαση από τον τρόπο που ήταν ο κόσμος κάποτε σε ένα νέο τρόπο που είναι τώρα. Οπότε αυτό που προσπαθώ να ρωτήσω, αυτό που ρωτάω τον εαυτό μου, είναι το ποιος είναι αυτός ο τρόπος που είναι ο κόσμος σήμερα; Ποια είναι η καινούργια κατάσταση προς την οποία κατευθύνεται ο κόσμος; Γιατί η μετάβαση φαίνεται πολύ, πολύ μπερδεμένη όταν βρισκόμαστε στο επίκεντρό της.
Now the question that I'd like to ask is, if you look at these exponential curves, they don't go on forever. Things just can't possibly keep changing as fast as they are. One of two things is going to happen. Either it's going to turn into a sort of classical S-curve like this, until something totally different comes along, or maybe it's going to do this. That's about all it can do. Now I'm an optimist, so I sort of think it's probably going to do something like that. If so, that means that what we're in the middle of right now is a transition. We're sort of on this line in a transition from the way the world used to be to some new way that the world is. And so what I'm trying to ask, what I've been asking myself, is what's this new way that the world is? What's that new state that the world is heading toward? Because the transition seems very, very confusing when we're right in the middle of it.
Όταν ήμουν παιδί, το μέλλον ήταν το έτος 2000, και ο κόσμος μιλούσε για το τι θα συνέβαινε το 2000. Αυτή είναι μία διάσκεψη στην οποία ο κόσμος μιλάει για το μέλλον, και παρατηρείτε ότι το μέλλον είναι ακόμα περίπου στο έτος 2000. Μέχρι εκεί φτάνουμε. Με άλλα λόγια, το μέλλον συρρικνώνεται κατά κάποιον τρόπο χρόνο με το χρόνο σε όλη μου τη ζωή. Πιστεύω ότι ο λόγος είναι ότι όλοι νιώθουμε πως κάτι συμβαίνει. Αυτή η μετάβαση συμβαίνει. Το αισθανόμαστε όλοι. Ξέρουμε ότι δεν βγάζει και πολύ νόημα το να σκεφτούμε 30, 50 χρόνια γιατί όλα θα είναι τόσο διαφορετικά που μία απλή παρεκβολή του τι κάνουμε απλώς δεν βγάζει κανένα νόημα.
Now when I was a kid growing up, the future was kind of the year 2000, and people used to talk about what would happen in the year 2000. Now here's a conference in which people talk about the future, and you notice that the future is still at about the year 2000. It's about as far as we go out. So in other words, the future has kind of been shrinking one year per year for my whole lifetime. Now I think that the reason is because we all feel that something's happening there. That transition is happening. We can all sense it. And we know that it just doesn't make too much sense to think out 30, 50 years because everything's going to be so different that a simple extrapolation of what we're doing just doesn't make any sense at all.
Θα ήθελα να μιλήσω, λοιπόν, για το τι θα μπορούσε να είναι αυτό, τι θα μπορούσε να είναι αυτή η μετάβαση την οποία διανύουμε. Για να το κάνω αυτό θα πρέπει να μιλήσω για ένα σωρό πράγματα που πραγματικά δεν έχουν καμία σχέση με τεχνολογία και υπολογιστές. Γιατί νομίζω ότι ο μόνος τρόπος να το κατανοήσουμε αυτό είναι να κάνουμε ένα βήμα πίσω και να ρίξουμε μια ματιά με χρονική κλίμακα στα πράγματα. Η χρονική κλίμακα, λοιπόν, στην οποία θα ήθελα να το κοιτάξω αυτό είναι η χρονική κλίμακα της ζωής στη Γη. Νομίζω πως αυτή η εικόνα βγάζει νόημα αν την κοιτάξουμε κάθε λίγα δισεκατομμύρια χρόνια.
So what I would like to talk about is what that could be, what that transition could be that we're going through. Now in order to do that I'm going to have to talk about a bunch of stuff that really has nothing to do with technology and computers. Because I think the only way to understand this is to really step back and take a long time scale look at things. So the time scale that I would like to look at this on is the time scale of life on Earth. So I think this picture makes sense if you look at it a few billion years at a time.
Αν πάμε πίσω, λοιπόν, περίπου δυόμιση δισεκατομμύρια χρόνια, η Γη ήταν ένα μεγάλο, άγονο κομμάτι βράχου με πολλά χημικά να αιωρούνται τριγύρω. Αν κοιτάξετε τον τρόπο με τον οποίο οργανώθηκαν τα χημικά, αρχίζουμε να παίρνουμε μια ιδέα για το πώς το κάνουν. Νομίζω πως υπάρχουν θεωρίες που αρχίζουμε να κατανοούμε για το πώς ξεκίνησε με το ριβοζονουκλεϊνικό οξύ, αλλά θα πω μία κάπως απλή ιστορία γι' αυτό, η οποία είναι ότι τότε υπήρχαν μικρές σταγόνες λαδιού που αιωρούνταν τριγύρω με διάφορες συνταγές χημικών μέσα τους. Κάποιες από αυτές τις σταγόνες λαδιού είχαν ένα συγκεκριμένο συνδυασμό χημικών μέσα τους που τις έκανε να ενσωματώσουν χημικά από τον εξωτερικό χώρο και να δημιουργήσουν τις σταγόνες λαδιού. Εκείνες που ήταν έτσι άρχισαν να χωρίζονται και να διαιρούνται. Αυτές ήταν οι πιο πρωτόγονες μορφές κυττάρου κατά κάποιο τρόπο, εκείνες οι μικρές σταγόνες λαδιού.
So if you go back about two and a half billion years, the Earth was this big, sterile hunk of rock with a lot of chemicals floating around on it. And if you look at the way that the chemicals got organized, we begin to get a pretty good idea of how they do it. And I think that there's theories that are beginning to understand about how it started with RNA, but I'm going to tell a sort of simple story of it, which is that, at that time, there were little drops of oil floating around with all kinds of different recipes of chemicals in them. And some of those drops of oil had a particular combination of chemicals in them which caused them to incorporate chemicals from the outside and grow the drops of oil. And those that were like that started to split and divide. And those were the most primitive forms of cells in a sense, those little drops of oil.
Αυτές, όμως, οι σταγόνες λαδιού δεν ήταν και πολύ ζωντανές, όπως το λέμε τώρα, διότι η καθεμιά ήταν μία μικρή τυχαία συνταγή χημικών. Κάθε φορά που διαιρούταν, γινόταν ένα είδος άνισης διαίρεσης των χημικών μέσα τους. Έτσι κάθε σταγόνα ήταν λίγο διαφορετική. Για την ακρίβεια, οι σταγόνες που ήταν διαφορετικές με τρόπο που τις έκανε να είναι καλύτερες στο να ενσωματώνουν χημικά από γύρω τους, μεγάλωναν περισσότερο και ενσωμάτωναν περισσότερα χημικά και διαιρούνταν περισσότερο. Αυτές, λοιπόν, ζούσαν περισσότερο, εμφανίζονταν περισσότερο.
But now those drops of oil weren't really alive, as we say it now, because every one of them was a little random recipe of chemicals. And every time it divided, they got sort of unequal division of the chemicals within them. And so every drop was a little bit different. In fact, the drops that were different in a way that caused them to be better at incorporating chemicals around them, grew more and incorporated more chemicals and divided more. So those tended to live longer, get expressed more.
Αυτή είναι μια πολύ απλή χημική μορφή ζωής, αλλά τα πράγματα παρουσίασαν ενδιαφέρον όταν αυτές οι σταγόνες έμαθαν ένα κόλπο για την αφαίρεση. Με κάποιον τρόπο και με τρόπους που δεν πολυκαταλαβαίνουμε, αυτές οι μικρές σταγόνες έμαθαν να γράφουν πληροφορίες. Έμαθαν να καταγράφουν τις πληροφορίες που ήταν η συνταγή του κυττάρου σε ένα συγκεκριμένο είδος χημικού που λέγεται DNA. Με άλλα λόγια, βρήκαν μία μορφή, σε αυτόν τον κάπως εξελικτικό τρόπο, γραφής που μπορούσαν να γράφουν αυτό που ήταν, έτσι ώστε αυτός ο τρόπος που το έγραφαν να μπορούσε να αντιγραφεί. Το εκπληκτικό είναι ότι αυτός ο τρόπος γραφής φαίνεται να έχει μείνει σταθερός από τότε που εξελίχθηκε πριν δυόμιση δισεκατομμύρια χρόνια. Μάλιστα η συνταγή για εμάς, για τα γονίδιά μας, είναι ακριβώς αυτός ο ίδιος κώδικας και αυτή η ίδια γραφή. Κάθε ζωντανό πλάσμα είναι γραμμένο με τα ίδια ακριβώς γράμματα και τον ίδιο κώδικα.
Now that's sort of just a very simple chemical form of life, but when things got interesting was when these drops learned a trick about abstraction. Somehow by ways that we don't quite understand, these little drops learned to write down information. They learned to record the information that was the recipe of the cell onto a particular kind of chemical called DNA. So in other words, they worked out, in this mindless sort of evolutionary way, a form of writing that let them write down what they were, so that that way of writing it down could get copied. The amazing thing is that that way of writing seems to have stayed steady since it evolved two and a half billion years ago. In fact the recipe for us, our genes, is exactly that same code and that same way of writing. In fact, every living creature is written in exactly the same set of letters and the same code.
Ένα από τα πράγματα που έκανα απλώς για ευχαρίστηση είναι ότι τώρα μπορούμε να γράψουμε με αυτόν τον κώδικα. Εδώ έχω 100 μικρογραμμάρια άσπρης σκόνης, την οποία προσπαθώ να μη δουν οι άνθρωποι της ασφάλειας στα αεροδρόμια. (Γέλια) Έχει μέσα της -- αυτό που έκανα ήταν να πάρω αυτόν τον κώδικα-- ο κώδικας έχει συγκεκριμένα γράμματα που χρησιμοποιούμε για να τον συμβολίζουμε-- και έγραψα την επαγγελματική μου κάρτα σε ένα κομμάτι DNA και το ενίσχυσα 10 μέχρι 22 φορές. Αν, λοιπόν, κάποιος ήθελε εκατό εκατομμύρια αντίγραφα της κάρτας μου, έχω αρκετά για τον καθένα σε αυτήν την αίθουσα, και μάλιστα για όλον τον κόσμο και είναι ακριβώς εδώ. (Γέλια) Αν ήμουν πραγματικά εγωιστής, θα το είχα βάλει σε έναν ιό και θα το είχα κυκλοφορήσει στην αίθουσα.
In fact, one of the things that I did just for amusement purposes is we can now write things in this code. And I've got here a little 100 micrograms of white powder, which I try not to let the security people see at airports. (Laughter) But this has in it -- what I did is I took this code -- the code has standard letters that we use for symbolizing it -- and I wrote my business card onto a piece of DNA and amplified it 10 to the 22 times. So if anyone would like a hundred million copies of my business card, I have plenty for everyone in the room, and, in fact, everyone in the world, and it's right here. (Laughter) If I had really been a egotist, I would have put it into a virus and released it in the room.
(Γέλια)
(Laughter)
Ποιο ήταν το επόμενο βήμα; Η καταγραφή του DNA ήταν ένα ενδιαφέρον βήμα. Κι αυτό προκάλεσε αυτά τα κύτταρα-- αυτό τα κράτησε χαρούμενα για ακόμα ένα δισεκατομμύριο χρόνια. Μετά υπήρξε ένα ακόμη πολύ ενδιαφέρον βήμα όπου τα πράγματα έγιναν τελείως διαφορετικά, κι αυτό είναι ότι αυτά τα κύτταρα άρχισαν να ανταλλάσουν και να δίνουν πληροφορίες, κι έτσι άρχισαν να σχηματίζουν κοινότητες κυττάρων. Δεν ξέρω εάν το γνωρίζετε, όμως τα βακτήρια μπορούν να ανταλλάξουν DNA. Γι' αυτό, για παράδειγμα, η αντιβιοτική αντίσταση έχει εξελιχθεί. Κάποια βακτήρια βρήκαν τρόπο να μείνουν μακριά από την πενικιλίνη, και κάπως δημιούργησε τις μικρές DNA πληροφορίες της με άλλα βακτήρια, και τώρα έχουμε πολλά βακτήρια που είναι άνοσα στην πενικιλίνη, επειδή τα βακτήρια επικοινωνούν. Η επικοινωνία αυτή επέτρεπε στις κοινότητες να σχηματίσουν το ότι, με κάποιο τρόπο, ήταν στην ίδια βάρκα μαζί, ήταν συνεργατικά. Έτσι επιζούσαν ή αποτυγχάναν μαζί, που σημαίνει ότι αν μια κοινότητα ήταν πολύ πετυχημένη, όλα τα άτομα σε αυτήν την κοινότητα επαναλαμβάνονταν περισσότερο και ευνοούνταν από την εξέλιξη.
So what was the next step? Writing down the DNA was an interesting step. And that caused these cells -- that kept them happy for another billion years. But then there was another really interesting step where things became completely different, which is these cells started exchanging and communicating information, so that they began to get communities of cells. I don't know if you know this, but bacteria can actually exchange DNA. Now that's why, for instance, antibiotic resistance has evolved. Some bacteria figured out how to stay away from penicillin, and it went around sort of creating its little DNA information with other bacteria, and now we have a lot of bacteria that are resistant to penicillin, because bacteria communicate. Now what this communication allowed was communities to form that, in some sense, were in the same boat together; they were synergistic. So they survived or they failed together, which means that if a community was very successful, all the individuals in that community were repeated more and they were favored by evolution.
Το σημείο μετάβασης συνέβη όταν οι κοινότητες ήρθαν τόσο κοντά που, στην ουσία, ενώθηκαν και αποφάσισαν να γράψουν ολόκληρη τη συνταγή για την κοινότητα μαζί σε μια σειρά DNA. Έτσι, το επόμενο ενδιαφέρον στάδιο στη ζωή πήρε άλλο ένα περίπου δισεκατομμύριο χρόνια. Σε εκείνο το στάδιο, έχουμε πολυκύτταρες κοινότητες, κοινότητες πολλών διαφορετικών ειδών κυττάρων, που δουλεύουν μαζί σε έναν μόνο οργανισμό. Μάλιστα, είμαστε μια τέτοια πολυκυττάρια κοινότητα. Έχουμε πολλά κύτταρα που δεν είναι μόνα τους πλέον. Το κύτταρο του δέρματος είναι πραγματικά άχρηστο χωρίς ένα κύτταρο καρδιάς, ένα μυικό κύτταρο, ένα κύτταρο του εγκεφάλου κ.ο.κ. Αυτές οι κοινότητες άρχισαν να εξελίσσονται με τέτοιο τρόπο που το επίπεδο ενδιαφέροντος στο οποίο συνέβαινε η εξέλιξη δεν ήταν πλέον ένα κύτταρο, αλλά μία κοινότητα που ονομάζουμε οργανισμό.
Now the transition point happened when these communities got so close that, in fact, they got together and decided to write down the whole recipe for the community together on one string of DNA. And so the next stage that's interesting in life took about another billion years. And at that stage, we have multi-cellular communities, communities of lots of different types of cells, working together as a single organism. And in fact, we're such a multi-cellular community. We have lots of cells that are not out for themselves anymore. Your skin cell is really useless without a heart cell, muscle cell, a brain cell and so on. So these communities began to evolve so that the interesting level on which evolution was taking place was no longer a cell, but a community which we call an organism.
Το επόμενο βήμα που έγινε ήταν μέσα σε αυτές τις κοινότητες. Αυτές οι κοινότητες κυττάρων, άρχισαν ξανά να αποσπούν πληροφορίες. Άρχισαν να χτίζουν πολύ ειδικές δομές που δεν έκαναν τίποτα πέρα από το να επεξεργάζονται πληροφορίες μέσα στην κοινότητα. Αυτές είναι οι νευρικές δομές. Οι νευρώνες είναι ο εξοπλισμός επεξεργασίας πληροφοριών που έχτισαν αυτές οι κοινότητες κυττάρων. Μάλιστα, άρχισαν να έχουν ειδικούς μέσα στην κοινότητα και ειδικές δομές που ήταν υπεύθυνες για την καταγραφή, την κατανόηση και τη μάθηση πληροφοριών. Αυτό ήταν οι εγκέφαλοι και το νευρικό σύστημα αυτών των κοινοτήτων. Αυτό τους έδωσε ένα εξελικτικό πλεονέκτημα. Διότι σε αυτό το σημείο, ένα άτομο -- η μάθηση μπορούσε να συμβεί μέσα στο ίδιο χρονικό διάστημα με έναν μόνο οργανισμό, αντί για αυτό το εξελικτικό χρονικό διάστημα.
Now the next step that happened is within these communities. These communities of cells, again, began to abstract information. And they began building very special structures that did nothing but process information within the community. And those are the neural structures. So neurons are the information processing apparatus that those communities of cells built up. And in fact, they began to get specialists in the community and special structures that were responsible for recording, understanding, learning information. And that was the brains and the nervous system of those communities. And that gave them an evolutionary advantage. Because at that point, an individual -- learning could happen within the time span of a single organism, instead of over this evolutionary time span.
Άρα, ένας οργανισμός μπορούσε, για παράδειγμα, να μάθει να μην τρώει ένα συγκεκριμένο είδος φρούτου γιατί δεν είχε ωραία γεύση και γιατί είχε αρρωστήσει την τελευταία φορά που το έφαγε. Αυτό μπορεί να συμβεί στη ζωή ενός οργανισμού, ενώ πριν χτιστούν οι ειδικές αυτές δομές επεξεργασίας πληροφοριών, αυτό θα έπρεπε να μαθευτεί με την εξέλιξη σε διάστημα εκατοντάδων χιλιάδων χρόνων από τα άτομα που πέθαιναν έχοντας φάει αυτό το είδος φρούτου. Αυτό το νευρικό σύστημα, το γεγονός ότι έχτισαν αυτές τις ειδικές δομές πληροφοριών, επιτάχυνε τρομερά την όλη διαδικασία της εξέλιξης. Γιατί τώρα η εξέλιξη μπορούσε να συμβεί μέσα σε ένα άτομο. Θα μπορούσε να συμβεί με τη μάθηση χρονικών κλιμάκων.
So an organism could, for instance, learn not to eat a certain kind of fruit because it tasted bad and it got sick last time it ate it. That could happen within the lifetime of a single organism, whereas before they'd built these special information processing structures, that would have had to be learned evolutionarily over hundreds of thousands of years by the individuals dying off that ate that kind of fruit. So that nervous system, the fact that they built these special information structures, tremendously sped up the whole process of evolution. Because evolution could now happen within an individual. It could happen in learning time scales.
Αυτό που συνέβη, όμως, μετά ήταν ότι τα άτομα βρήκαν, φυσικά, κόλπα για να επικοινωνούν. Για παράδειγμα, η πιο εξεζητημένη εκδοχή που γνωρίζουμε είναι η ανθρώπινη γλώσσα. Αν το καλοσκεφτείτε είναι πραγματικά μία φανταστική ανακάλυψη. Έχω στο μυαλό μου μία πολύ μπερδεμένη, αλλόκοτη ιδέα. Κάθομαι εδώ γρυλίζοντας στην ουσία, και ελπίζω να δημιουργώ την ίδια μπερδεμένη, αλλόκοτη ιδέα στο μυαλό σας που έχει μια κάποια αναλογία. Παίρνουμε, όμως, κάτι πολύ περίπλοκο, και το μετατρέπουμε σε ήχο, σε αλληλουχία ήχων, και φτιάχνουμε κάτι πολύ περίπλοκο στο μυαλό σας. Αυτό μας επιτρέπει τώρα να ξεκινήσουμε να λειτουργούμε σαν ένας οργανισμός.
But then what happened was the individuals worked out, of course, tricks of communicating. And for example, the most sophisticated version that we're aware of is human language. It's really a pretty amazing invention if you think about it. Here I have a very complicated, messy, confused idea in my head. I'm sitting here making grunting sounds basically, and hopefully constructing a similar messy, confused idea in your head that bears some analogy to it. But we're taking something very complicated, turning it into sound, sequences of sounds, and producing something very complicated in your brain. So this allows us now to begin to start functioning as a single organism.
Αυτό που έχουμε κάνει στην ουσία, εμείς η ανθρωπότητα, είναι να αποσπάμε πράγματα. Περνούμε μέσα από τα ίδια επίπεδα που έχουν περάσει και οι πολυκύτταροι οργανισμοί -- αποσπάμε τις δικές μας μεθόδους καταγραφής, παρουσίασης, επεξεργασίας πληροφοριών. Για παράδειγμα, η ανακάλυψη της γλώσσας ήταν ένα μικροσκοπικό βήμα προς αυτήν την κατεύθυνση. Τα τηλέφωνα, οι υπολογιστές, οι βιντεοκασέτες, τα CD κ.ο.κ. είναι όλα εξειδικευμένοι μηχανισμοί που έχουμε χτίσει τώρα μέσα στην κοινωνία μας για να χειριζόμαστε αυτές τις πληροφορίες. Όλα μας ενώνουν σε κάτι που είναι πολύ μεγαλύτερο και γρηγορότερο και ικανό να εξελιχθεί από αυτό που ήμασταν πριν. Τώρα, η εξέλιξη μπορεί να συμβεί σε κλίμακα δεκάτων του δευτερολέπτου. Είδατε το μικρό εξελικτικό παράδειγμα του Τάι, όπου έκανε κατά κάποιο τρόπο μια μικρή εξέλιξη στο πρόγραμα Συνέλιξης μπροστά στα μάτια σας.
And so, in fact, what we've done is we, humanity, have started abstracting out. We're going through the same levels that multi-cellular organisms have gone through -- abstracting out our methods of recording, presenting, processing information. So for example, the invention of language was a tiny step in that direction. Telephony, computers, videotapes, CD-ROMs and so on are all our specialized mechanisms that we've now built within our society for handling that information. And it all connects us together into something that is much bigger and much faster and able to evolve than what we were before. So now, evolution can take place on a scale of microseconds. And you saw Ty's little evolutionary example where he sort of did a little bit of evolution on the Convolution program right before your eyes.
Τώρα έχουμε επιταχύνει για άλλη μια φορά τις χρονικές κλίμακες. Τα πρώτα βήματα της ιστορίας που σας είπα πήραν ένα δισεκατομμύριο χρόνια το καθένα. Τα επόμενα βήματα, όπως τα νευρικά συστήματα και οι εγκεφάλοι, πήραν λίγες εκατοντάδες εκατομμύρια χρόνια. Τα επόμενα βήματα, όπως η γλώσσα και άλλα, πήραν λιγότερο από ένα εκατομμύριο χρόνια. Αυτά τα επόμενα βήματα, όπως η ηλεκτρονική, φαίνεται να παίρνουν μόνο μερικές δεκαετίες. Η διαδικασία αυτοτροφοδοτείται και γίνεται, φαντάζομαι, αυτοκαταλυτική είναι η σωστή λέξη -- όταν κάτι ενισχύει το ρυθμό αλλαγής του. Όσο περισσότερο αλλάζει, τόσο γρηγορότερα αλλάζει. Νομίζω πως αυτό βλέπουμε εδώ σε αυτήν την εκτίναξη της καμπύλης. Βλέπουμε αυτή τη διαδικασία να αυτοτροφοδοτείται.
So now we've speeded up the time scales once again. So the first steps of the story that I told you about took a billion years a piece. And the next steps, like nervous systems and brains, took a few hundred million years. Then the next steps, like language and so on, took less than a million years. And these next steps, like electronics, seem to be taking only a few decades. The process is feeding on itself and becoming, I guess, autocatalytic is the word for it -- when something reinforces its rate of change. The more it changes, the faster it changes. And I think that that's what we're seeing here in this explosion of curve. We're seeing this process feeding back on itself.
Η δουλειά μου είναι να σχεδιάζω υπολογιστές, και γνωρίζω ότι οι μηχανισμοί που χρησιμοποιώ για να σχεδιάσω υπολογιστές θα ήταν αδύνατοι χωρίς τις πρόσφατες προόδους στους υπολογιστές. Αυτό που κάνω, λοιπόν, τώρα είναι να σχεδιάζω αντικείμενα με τέτοια πολυπλοκότητα που μου είναι πραγματικά αδύνατο να τα σχεδιάσω με τον παραδοσιακό τρόπο. Δεν γνωρίζω τι κάνει η κάθε κρυσταλλολυχνία μέσα στη μηχανή σύνδεσης. Υπάρχουν δισεκατομμύρια. Αντί γι' αυτό, αυτό που κάνω και αυτό που κάνουν οι σχεδιαστές στην εταιρεία Thinking Machines είναι να σκεφτόμαστε, σε κάποιο βαθμό, κάτι αφηρημένο και μετά να το δίνουμε στο μηχάνημα και αυτό το πηγαίνει πέρα από οτιδήποτε θα μπορούσαμε να κάνουμε εμείς, πολύ πιο πέρα και πιο γρήγορα απ' ό,τι θα μπορούσαμε ποτέ εμείς. Μάλιστα, κάποιες φορές το κάνει αυτό με μεθόδους που δεν πολυκαταλαβαίνουμε.
Now I design computers for a living, and I know that the mechanisms that I use to design computers would be impossible without recent advances in computers. So right now, what I do is I design objects at such complexity that it's really impossible for me to design them in the traditional sense. I don't know what every transistor in the connection machine does. There are billions of them. Instead, what I do and what the designers at Thinking Machines do is we think at some level of abstraction and then we hand it to the machine and the machine takes it beyond what we could ever do, much farther and faster than we could ever do. And in fact, sometimes it takes it by methods that we don't quite even understand.
Μια μέθοδος που είναι ιδιαίτερα ενδιαφέρουσα και που χρησιμοποιώ πολύ τελευταία, είναι η ίδια η εξέλιξη. Αυτό που κάνουμε είναι να βάλουμε μέσα στο μηχάνημα μια διαδικασία εξέλιξης που γίνεται στη χρονική κλίμακα δεκάτων του δευτερολέπτου. Για παράδειγμα, στις πιο ακραίες περιπτώσεις, μπορούμε να αναπτύσσουμε ένα πρόγραμμα ξεκινώντας με τυχαίες αλληλουχίες εντολών. Ας πούμε, «Υπολογιστή, θα μπορούσες σε παρακαλώ να κάνεις εκατό εκατομμύρια τυχαίες αλληλουχίες εντολών. Τώρα, θα μπορούσες σε παρακαλώ να εκτελέσεις όλες αυτές τις τυχαίες αλληλουχίες εντολών, να εκτελέσεις όλα αυτά τα προγράμματα, και να επιλέξεις αυτές που ήταν πιο κοντά σε αυτό που ήθελα να κάνω». Με άλλα λόγια, ορίζω αυτό που ήθελα. Ας πούμε ότι θέλω να ταξινομήσω αριθμούς, σαν ένα απλό παράδειγμα που το έχω κάνει. Να βρω, λοιπόν, τα προγράμματα που είναι πιο κοντά στην ταξινόμηση αριθμών.
One method that's particularly interesting that I've been using a lot lately is evolution itself. So what we do is we put inside the machine a process of evolution that takes place on the microsecond time scale. So for example, in the most extreme cases, we can actually evolve a program by starting out with random sequences of instructions. Say, "Computer, would you please make a hundred million random sequences of instructions. Now would you please run all of those random sequences of instructions, run all of those programs, and pick out the ones that came closest to doing what I wanted." So in other words, I define what I wanted. Let's say I want to sort numbers, as a simple example I've done it with. So find the programs that come closest to sorting numbers.
Φυσικά, οι τυχαίες αλληλουχίες εντολών δεν είναι πολύ πιθανόν να ταξινομήσουν αριθμούς, οπότε καμιά δε θα το κάνει. Αλλά μία από αυτές, κατά τύχη, ίσως βάλει δύο αριθμούς στη σωστή σειρά. Λέω, «Υπολογιστή, μπορείς σε παρακαλώ να πάρεις 10% από αυτές τις τυχαίες αλληλουχίες που έκαναν την καλύτερη δουλειά. Αποθήκευσε αυτές, τις υπόλοιπες πέτα τες. Τώρα ας αναπαραγάγουμε αυτές που ταξινόμησαν καλύτερα τους αριθμούς. Και ας τις αναπαραγάγουμε με μια διαδικασία επανασύνδεσης ανάλογης με το σεξ». Πάρτε δύο προγράμματα και δημιουργούν παιδιά ανταλλάσοντας τις υπορουτίνες τους, και τα παιδιά κληρονομούν τα χαρακτηριστικά των υπορουτινών των δύο προγραμμάτων. Έχω τώρα μία νέα γενιά προγραμμάτων που παράγονται με συνδυασμούς από τα προγράμματα που έκαναν την λίγο καλύτερη δουλειά. Λέμε, «Σε παρακαλώ επανέλαβε αυτή τη διαδικασία». Ξαναπέτυχε τα ίδια. Εισήγαγε ίσως και κάποιες μεταλλάξεις. Και προσπάθησέ το αυτό ξανά και κάντο για μια ακόμη γενιά.
So of course, random sequences of instructions are very unlikely to sort numbers, so none of them will really do it. But one of them, by luck, may put two numbers in the right order. And I say, "Computer, would you please now take the 10 percent of those random sequences that did the best job. Save those. Kill off the rest. And now let's reproduce the ones that sorted numbers the best. And let's reproduce them by a process of recombination analogous to sex." Take two programs and they produce children by exchanging their subroutines, and the children inherit the traits of the subroutines of the two programs. So I've got now a new generation of programs that are produced by combinations of the programs that did a little bit better job. Say, "Please repeat that process." Score them again. Introduce some mutations perhaps. And try that again and do that for another generation.
Καθεμιά από αυτές τις γενιές παίρνει μόνο λίγα δέκατα του δευτερολέπτου. Μπορώ, λοιπόν, να κάνω το αντίστοιχο εκατομμυριών ετών εξέλιξης σε αυτό μέσω υπολογιστή σε λίγα λεπτά ή στις περίπλοκες περιπτώσεις, σε λίγες ώρες. Στο τέλος, καταλήγω με προγράμματα που είναι τέλεια στο να ταξινομούν αριθμούς. Είναι, μάλιστα, προγράμματα πολύ πιο αποτελεσματικά απ' ότι προγράμματα που θα είχα ποτέ γράψει με το χέρι.
Well every one of those generations just takes a few milliseconds. So I can do the equivalent of millions of years of evolution on that within the computer in a few minutes, or in the complicated cases, in a few hours. At the end of that, I end up with programs that are absolutely perfect at sorting numbers. In fact, they are programs that are much more efficient than programs I could have ever written by hand.
Αν κοιτάξω αυτά τα προγράμματα, δε μπορώ να σας πω πώς λειτουργούν. Έχω προσπαθήσει να τα κοιτάξω και να σας πω πώς λειτουργούν. Είναι ασαφή, παράξενα προγράμματα. Κάνουν όμως τη δουλειά τους. Μάλιστα, το ξέρω, είμαι βέβαιος ότι κάνουν τη δουλειά τους διότι προέρχονται από μια σειρά εκατοντάδων χιλιάδων προγραμμάτων που έκαναν τη δουλειά τους. Η ζωή τους εξαρτόταν από το να κάνουν τη δουλειά τους.
Now if I look at those programs, I can't tell you how they work. I've tried looking at them and telling you how they work. They're obscure, weird programs. But they do the job. And in fact, I know, I'm very confident that they do the job because they come from a line of hundreds of thousands of programs that did the job. In fact, their life depended on doing the job.
(Γέλια)
(Laughter)
Ταξίδευα κάποτε σε ένα αεροπλάνο 747 με τον Μάρβιν Μίνσκι, και βγάζει αυτήν την κάρτα και λέει, «Κοίτα. Κοίτα το αυτό. Λέει, ''Αυτό το αεροπλάνο έχει εκατοντάδες χιλιάδες μικροσκοπικά κομμάτια που λειτουργούν μαζί για να σου προσφέρουν μια ασφαλή πτήση.'' Δε σε κάνει αυτό να νιώθεις σιγουριά»;
I was riding in a 747 with Marvin Minsky once, and he pulls out this card and says, "Oh look. Look at this. It says, 'This plane has hundreds of thousands of tiny parts working together to make you a safe flight.' Doesn't that make you feel confident?"
(Γέλια)
(Laughter)
Γνωρίζουμε ότι η μηχανολογική διαδικασία δε λειτουργεί και πολύ καλά όταν γίνεται περίπλοκη. Γι' αυτό ξεκινάμε να βασιζόμαστε στους υπολογιστές για να κάνουμε μια διαδικασία που είναι πολύ διαφορετική από τη μηχανολογία. Μας επιτρέπει να παράγουμε πράγματα με πολύ μεγαλύτερη περιπλοκή απ' ό,τι μας επιτρέπει η κανονική μηχανολογία. Όμως, δεν καταλαβαίνουμε και πολύ τις επιλογές του. Επομένως κατά κάποιο τρόπο προχωράει πιο μπροστά από εμάς. Τώρα χρησιμοποιούμε αυτά τα προγράμματα για να φτιάξουμε γρηγορότερους υπολογιστές έτσι ώστε να μπορούμε να εκτελούμε τη διαδικασία αυτή γρηγορότερα. Άρα αυτοτροφοδοτείται. Το θέμα είναι να γίνεται κάτι πιο γρήγορα και γι' αυτό πιστεύω ότι φαίνεται τόσο περίπλοκο. Διότι όλες αυτές οι τεχνολογίες αυτοτροφοδοτούνται. Ξεκινάμε.
In fact, we know that the engineering process doesn't work very well when it gets complicated. So we're beginning to depend on computers to do a process that's very different than engineering. And it lets us produce things of much more complexity than normal engineering lets us produce. And yet, we don't quite understand the options of it. So in a sense, it's getting ahead of us. We're now using those programs to make much faster computers so that we'll be able to run this process much faster. So it's feeding back on itself. The thing is becoming faster and that's why I think it seems so confusing. Because all of these technologies are feeding back on themselves. We're taking off.
Βρισκόμαστε σε μια χρονική στιγμή η οποία είναι ανάλογη με τότε που οι μονοκύτταροι οργανισμοί μετατρέπονταν σε πολυκύτταρους οργανισμούς. Είμαστε οι αμοιβάδες και δε μπορούμε να καταλάβουμε τι στο καλό είναι αυτό που δημιουργούμε. Είμαστε ακριβώς σε αυτό το σημείο της μετάβασης. Νομίζω, όμως, πως πραγματικά υπάρχει κάτι που προχωράει μαζί μας. Νομίζω πως είμαστε υπερόπτες αν πιστεύουμε ότι είμαστε το τελικό προϊόν της εξέλιξης. Νομίζω πως όλοι μας εδώ αποτελούμε μέρος της δημιουργίας αυτού που έπεται στη συνέχεια. Έρχεται η ώρα του φαγητού, και νομίζω θα σταματήσω σε αυτό το σημείο, πριν με βγάλουν.
And what we are is we're at a point in time which is analogous to when single-celled organisms were turning into multi-celled organisms. So we're the amoebas and we can't quite figure out what the hell this thing is we're creating. We're right at that point of transition. But I think that there really is something coming along after us. I think it's very haughty of us to think that we're the end product of evolution. And I think all of us here are a part of producing whatever that next thing is. So lunch is coming along, and I think I will stop at that point, before I get selected out.
(Χειροκροτήματα)
(Applause)