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.
Parce que j'ai l'habitude d'assumer le rôle d'essayer d'expliquer aux gens comme les nouvelles technologies qui se profilent vont être merveilleuses, je me suis dit que puisque nous étions entre amis ici, je vous dirais ce que je pense vraiment et j'essaierais de faire le bilan et de comprendre ce qui se passe vraiment ici avec ces sauts technologiques étonnants qui semblent si rapides que nous avons peine à les suivre.
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.
Je vais donc commencer en vous montrant une diapo très ennuyeuse sur la technologie. Et ensuite, si on peut juste afficher la diapo. C'est une diapo prise au hasard dans mes dossiers. Ce que je veux montrer, ce ne sont pas tant les détails de la diapo, mais sa forme générale. C'est en fait une diapo d'une analyse que nous sommes en train de faire de la puissance des processeurs RISC par rapport à la puissance des réseaux locaux. Et ce qui est intéressant ici c'est que cette diapo, comme tant de diapos sur la technologie auxquelles nous sommes habitués, est une sorte de ligne droite sur une courbe semi-logarithmique. En d'autres termes, chaque étape ici représente un ordre de grandeur sur une échelle de performance. Et c'est nouveau que nous parlions de technologie sur des courbes semi-logarithmiques. Une chose très étrange se passe ici. Et c'est en gros ce dont je vais vous parler.
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.
Alors si on pouvait allumer. Si on pouvait rallumer un peu la lumière, parce que je vais utiliser un morceau de papier ici. Pourquoi dessinons-nous des courbes de technologie sous forme de courbes semi-logarithmiques ? La réponse est que si, si je traçais ça sur une courbe normale où, disons, là ce sont les années, là c'est un temps quelconque, et ça c'est ce qui donne la mesure de la technologie que j'essaye de traduire par une courbe, les graphiques ont l'air un peu ridicule. Ils font comme ça. Et ils n'en disent pas beaucoup. Si je fais une courbe par exemple, d'une autre technologie, disons la technologie des transports, sur une courbe semi-logarithmique, ça aurait l'air stupide, ça ressemblerait à une ligne plate. Mais quand quelque chose comme ça arrive, les choses changent en qualité. Alors si la technologie des transports avançait aussi vite que la technologie des microprocesseurs, alors après-demain, je pourrais monter dans un taxi et être à Tokyo en 30 secondes. Ça n'avance pas comme ça. Et il n'y a eu aucun précédent dans l'histoire du développement des technologies similaire à cette croissance autoalimentée où l'on avance par ordre de magnitude avec un pas de quelques années.
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.
Et la question que j'aimerais poser est, si vous regardez ces courbes exponentielles, elles ne continuent pas indéfiniment. Les choses ne peuvent pas continuer à changer aussi vite qu'elles le font. Deux choses peuvent se passer. Soit ça va devenir une courbe classique en forme de S comme celle-ci, jusqu'à ce que quelque chose de complètement différent arrive, ou peut-être que ça va faire ça. C'est tout ce que ça peut faire en gros. Et je suis optimiste, alors je pense que ça va probablement faire quelque chose comme ça. Dans ce cas, ça veut dire que nous sommes en ce moment en pleine période de transition. Nous sommes sur cette ligne dans une transition entre le monde comme il était avant et un genre de nouvel état du monde. Et donc la question que j'essaye de poser, que je me suis posé, est quel est ce nouvel état du monde ? Quel est ce nouvel état vers lequel le monde se dirige ? Parce que la transition semble très, très confuse quand on est en plein dedans.
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.
Quand j'étais enfant, en grandissant, le futur c'était en gros l'an 2000, et les gens parlaient de ce qui se passerait en l'an 2000. Voici une conférence au cours de laquelle les gens parlent du futur, et vous remarquez que le futur est toujours vers l'an 2000. C'est le plus loin que nous puissions aller. En d'autres termes, le futur a rétréci une année par an toute ma vie. Je pense que la raison en est que nous avons tous l'impression qu'il se passe quelque chose ici. Cette transition est en cours. Nous le sentons. Et nous savons que ça n'a pas de sens de penser à dans 30, 50 ans parce que tout sera si différent qu'une simple extrapolation de ce que nous faisons n'a tout simplement pas de sens.
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.
Alors ce dont j'aimerais parler c'est de ce que ça pourrait être, ce que pourrait être cette transition que nous traversons. Et pour ce faire, je vais devoir parler d'un tas de trucs qui n'ont rien à voir avec la technologie et les ordinateurs. Parce que je pense que la seule façon de comprendre ça est de vraiment prendre du recul et de regarder les choses sur une longue échelle de temps. Alors l'échelle de temps sur laquelle je voudrais regarder ça est l'échelle de temps de la vie sur Terre. Je pense que cette image a du sens si vous la regardez quelques milliards d'années à la fois.
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.
Alors si vous remontez en arrière d'environ deux milliards et demi d'années, la Terre était ce gros caillou stérile avec beaucoup de composants chimiques qui flottaient tout autour. Et si vous regardez la façon dont les composants chimiques se sont organisés, nous commençons à en avoir une assez bonne idée. Et je pense qu'il y a des théories qui commencent à comprendre comment tout a commencé avec l'ARN, mais je vais en raconter une version simple, et c'est qu’à l'époque, il y avait de petites gouttes d'huile qui flottaient avec toutes sortes de recettes de composants chimiques à l'intérieur. Et certaines de ces gouttes d'huile contenaient une combinaison particulière de composants chimiques qui leur a fait incorporer des composants chimiques de l'extérieur et les a fait grossir. Et celles qui étaient comme ça ont commencé à se fendre et à se diviser. Et dans un sens, c'étaient les formes les plus primitives de cellules, ces petites gouttes d'huile.
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.
Mais maintenant ces gouttes d'huile n'étaient pas vraiment vivantes, comme nous l'entendons maintenant. parce que chacune d'entre elles était une recette de composants chimiques assemblés au hasard. Et chaque fois qu'elles se divisaient, c'était une division inégale de ces composants chimiques qu'elles contenaient. Et donc chaque goutte était un peu différente. En fait, les gouttes qui étaient différentes d'une manière qui les faisaient mieux incorporer les composants chimiques qui les entouraient, grossir encore et incorporer plus de composants chimiques et se diviser plus. Alors celles-là avaient tendance à vivre plus longtemps et s'exprimer plus.
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.
Ce n'est qu'une forme de vie chimique très simple, mais quand les choses sont devenues intéressantes c'est quand ces gouttes ont appris un truc à propos de l'abstraction. Par des moyens que nous ne comprenons pas vraiment, ces petites gouttes ont appris à écrire des informations. Elles ont appris à enregistrer les informations qui composaient la recette de la cellule sur une sorte particulière de composant chimique appelé ADN. Donc en d'autres termes, elles ont compris, de cette manière évolutionniste dans esprit, une forme d'écriture qui leur permettait d'écrire ce qu'elles étaient. pour que cette manière d'écrire puisse être copiée. Ce qui est stupéfiant est que cette manière d'écrire semblent être restée stable depuis qu'elle a évolué il y a deux milliards et demi d'années. En fait la recette pour nous faire, nous, nos gènes, est exactement le même code et la même manière d'écrire. En fait, chaque créature vivante est écrite avec exactement les mêmes lettres et le même code.
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.
En fait, une des choses que j'ai faites dans le seul but de m'amuser est que nous pouvons maintenant écrire des choses avec ce code. Et j'ai ici 100 microgrammes de poudre blanche, que j'essaye de dissimuler aux services de sécurité des aéroports. (Rires) Mais elle contient -- ce que j'ai fait, c'est que j'ai pris ce code -- le code a des lettres standards que nous employons pour le symboliser -- et j'ai écrit ma carte de visite sur un bout d'ADN et je l'ai amplifié de 10 à 22 fois. Alors si quelqu'un veut un million de copies de ma carte de visite, j'en ai plein pour tout le monde dans cette salle, et en fait, pour tout le monde sur cette planète. Et tout est là. (Rires) Si j'avais été un prétentieux, je l'aurais mis dans un virus et je l'aurais lâché dans la salle.
(Laughter)
(Rires)
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.
Alors quelle est l'étape suivante ? Ecrire l'ADN était une étape intéressante. Et elle a fait que les cellules -- ça les a rendus heureuses pendant un milliard d'années de plus. Mais il y a eu une autre étape intéressante où les choses sont devenues complètement différentes, et c'est que ces cellules ont commencé à échanger et à communiquer des informations de sorte qu'elles ont commencé à avoir des communautés de cellules. Je ne sais pas si vous le savez, mais les bactéries peuvent en fait échanger de l'ADN. Et c'est pourquoi, par exemple, la résistance aux antibiotiques a évolué. Une bactérie a compris comment rester à l'écart de la pénicilline, et elle a créé ses informations d'ADN avec d'autres bactéries, et nous avons maintenant un grand nombre de bactéries résistantes à la pénicilline, parce que les bactéries communiquent. Maintenant, ce que cette communication a permis c'est la formation de communautés qui, dans un certain sens, étaient dans le même bateau ; elles étaient synergiques. Elles ont donc survécu ou échoué ensemble, ce qui signifie que si une communauté avait très bien réussi, tous les individus de cette communauté étaient plus répétés et plus favorisés par l'évolution.
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.
Le point de transition qui s'est produit lorsque ces communautés ont été si proches qu'en fait, elles se sont réunies et ont décidé d'écrire la recette entière pour la communauté ensemble sur une chaîne d'ADN. Et la prochaine étape qui est intéressante dans la vie a pris un autre milliard d'années. Et à ce stade, nous avons des communautés multicellulaires, des communautés de beaucoup de différents types de cellules, qui travaillent ensemble comme un seul organisme. Et en fait, nous sommes une de ces communautés multicellulaires. Nous avons beaucoup de cellules qui ne sont plus indépendantes. La cellule de votre peau est vraiment inutile sans une cellule du cœur, une cellule de muscle, une cellule de cerveau et ainsi de suite. Ainsi, ces communautés ont commencé à évoluer de sorte que le niveau intéressant auquel se déroulait l'évolution n'était plus une cellule, mais une communauté que nous appelons un organisme.
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.
Et la prochaine étape s'est produite au sein de ces communautés. Ces communautés de cellules, encore une fois, ont commencé à abstraire l'information. Et elles ont commencé à construire des structures très particulières qui ne faisaient rien d'autre que traiter l'information au sein de la communauté. Et ce sont les structures neurales. Les neurones sont donc l'appareil de traitement d'informations que ces communautés de cellules ont construit. Et en fait, elles ont commencé à avoir des spécialistes dans la communauté et des structures spéciales qui étaient responsables de l'enregistrement, la compréhension, et l'apprentissage d'informations. Et c'étaient le cerveau et le système nerveux de ces communautés. Et ça leur a donné un avantage évolutif. Parce qu'à ce moment-là, un individu -- l'apprentissage pouvait se produire dans le laps de temps d'un organisme unique, plutôt que sur ce laps de temps évolutionnaire.
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.
Donc, un organisme pourrait, par exemple, apprendre à ne pas manger un certain type de fruits car il avait mauvais goût et qu'il est tombé malade la dernière fois qu'il en a mangé. Cela pouvait se produire au cours de la vie d'un organisme unique, alors qu'auparavant elles avaient développé ces structures spéciales de traitement de l'information, qui aurait dû être appris de manière évolutive sur des centaines de milliers d'années par les individus qui meurent d'avoir mangé ce genre de fruit. Alors ce système nerveux, le fait qu'elles ont construit ces structures spéciales d'information, a énormément accéléré tout le processus d'évolution. Parce que l'évolution pouvait maintenant se produire dans un individu. Elle pouvait se produire dans des échelles de temps d'apprentissage
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.
Mais alors ce qui s'est passé c'est que les individus ont trouvé, bien sûr, des astuces de communication. Et par exemple, la version la plus sophistiquée que nous connaissions est le langage humain. C'est vraiment une invention assez incroyable, si vous y réfléchissez. Ici, j'ai une idée très compliquée, très brouillon, très confuse dans ma tête. Je suis assis ici à pousser des grognements essentiellement, et avec un peu de chance à construire une idée brouillon et confuse dans votre tête qui lui ressemble un peu. Mais nous prenons quelque chose de très compliqué, nous le transformons en son, en des séquences de son, et nous produisons quelque chose de très compliqué dans votre cerveau. Donc, ce qui nous permet maintenant de commencer à commencer à fonctionner comme un organisme unique.
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.
Et oui, en fait, ce que nous avons fait c'est que nous, l'humanité, avons commencé à abstraire. Nous passions par les mêmes niveaux par lesquels sont passés les organismes multicellulaires -- en faisant l'abstraction sur nos méthodes d'enregistrement, en présentant, en traitant les informations. Ainsi, par exemple, l'invention du langage était un petit pas dans cette direction. La téléphonie, les ordinateurs, les cassettes vidéo, les CD-ROM et ainsi de suite sont tous nos mécanismes spécialisés que nous avons maintenant construit au sein de notre société pour le traitement de ces informations. Et ça nous relie tous ensemble en quelque chose qui est beaucoup plus grand et beaucoup plus rapide et capable d'évoluer que ce que nous étions avant. Alors maintenant, l'évolution peut avoir lieu sur une échelle de microsecondes. Et vous avez vu le petit exemple évolutionnaire de Ty où il a fait une sorte de petite évolution sur le programme de convolution juste devant vos yeux.
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.
Alors, nous avons accéléré les échelles de temps une fois de plus. Ainsi, les premières étapes de l'histoire dont je vous ai parlé ont pris un milliard d'années chacune. Et les étapes suivantes, comme les systèmes nerveux et les cerveaux, ont pris une centaine de millions d'années. Ensuite, les étapes suivantes, comme le langage et ainsi de suite, ont pris moins d'un million d'années. Et ces étapes suivantes, comme l'électronique, semblent prendre seulement quelques décennies. Le processus se nourrit de lui-même et devient, je suppose, auto-catalytique, c'est le mot qui convient - quand quelque chose renforce son taux de variation. Plus il change, plus vite il change. Et je pense que c'est ce que nous voyons ici dans cette explosion de la courbe. Nous voyons ce processus qui s'autoalimente.
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.
Concevoir des ordinateurs, c'est mon métier, et je sais que les mécanismes que j'utilise pour concevoir des ordinateurs seraient impossible sans les progrès récents en informatique. Donc en ce moment, ce que je fais c'est concevoir des objets d'une telle complexité que ça m'est vraiment impossible de les concevoir au sens traditionnel du terme. Je ne sais pas ce que fait chaque transistor dans la machine de connexion. Il y en a des milliards. Au lieu de cela, ce que je fais et ce que les concepteurs de Thinking Machines font est que nous pensons à un certain niveau d'abstraction puis nous le remettons à la machine et la machine l'amène au-delà de ce que nous ne pourrions jamais faire, beaucoup plus loin et plus vite que nous ne pourrions jamais le faire. Et en fait, parfois elle le fait par des méthodes que nous ne comprenons pas tout à fait.
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.
Une méthode qui est particulièrement intéressante que j'ai beaucoup utilisée ces derniers temps est l'évolution même. Donc, ce que nous faisons est que nous mettons dans la machine un processus d'évolution qui prend place sur l'échelle de temps en microsecondes. Ainsi, par exemple, dans les cas les plus extrêmes, nous pouvons vraiment faire évoluer un programme en démarrant avec des séquences aléatoires d'instructions. Disons: « Ordinateur, veux-tu s'il te plait créer une centaine de millions de séquences aléatoires d'instructions. Maintenant veux-tu bien s'il te plait exécuter ces séquences aléatoires d'instructions, exécuter tous ces programmes, et choisir ceux qui étaient les plus proches de faire ce que je voulais. » Donc, en d'autres termes, je définis ce que je voulais. Disons que je veux trier des chiffres, comme un exemple simple de ce avec quoi je l'ai fait. Donc, trouver les programmes qui se rapprochent du tri de chiffres.
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.
Alors bien sûr, des séquences aléatoires d'instructions ne vont vraisemblablement pas trier des chiffres, et aucune d'entre elles ne le fera vraiment. Mais l'une d'elle, par chance, peut mettre deux chiffres dans le bon ordre. Et je dis, « Ordinateur, veux-tu s'il te plait prendre maintenant les 10 % de ces séquences aléatoires qui ont fait le meilleur travail. Enregistre-les. Élimine le reste. Et maintenant, reproduisons celles qui ont le mieux trié les chiffres. Et reproduisons-les par un processus de recombinaison analogue aux rapports sexuels. » Prenez deux programmes, et ils produisent des enfants en échangeant leurs sous-programmes, et les enfants héritent des traits des sous-routines des deux programmes. Donc j'ai maintenant une nouvelle génération de programmes qui sont produites par des combinaisons des programmes qui ont fait un travail un peu meilleur. Disons : « S'il te plait répète ce processus. » Tiens le compte à nouveau. Introduis peut-être des mutations. Et essaye à nouveau de le faire pour une autre génération.
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.
Eh bien chacune de ces générations ne prend que quelques millisecondes. Donc, je peux faire là l'équivalent de millions d'années d'évolution au sein de l'ordinateur en quelques minutes, ou dans les cas compliqués, en quelques heures. En fin de compte, je me retrouve avec des programmes qui sont absolument parfait pour trier des nombres. En fait, ce sont des programmes qui sont beaucoup plus efficaces que les programmes que je n'aurais jamais écrit à la main.
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.
Maintenant, si je regarde ces programmes, Je ne peux pas vous dire comment ils fonctionnent. J'ai essayé de les regarder et de vous dire comment ils fonctionnent. Ce sont des programmes obscurs et bizarres. Mais ils font le travail. Et en fait, je sais, je suis très confiant dans le fait qu'ils font le travail parce qu'ils viennent d'une ligne de centaines de milliers de programmes qui ont fait le travail. En fait, leur vie en dépendait.
(Laughter)
(Rires)
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?"
Un jour, j'étais dans un 747 avec Marvin Minsky, et il sort cette carte et dit : « Oh regardez. Regardez ça. Il dit : ‘Cet avion a des centaines de milliers de petites pièces qui travaillent ensemble pour vous assurer un vol en toute sécurité.’ Cela ne vous met-il pas en confiance ? »
(Laughter)
(Rires)
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.
En fait, nous savons que le processus d'ingénierie ne fonctionne pas très bien quand ça devient compliqué. Donc, nous commençons à dépendre des ordinateurs pour faire un processus qui est très différent de celui de l'ingénierie. Et ça nous permet de produire des choses beaucoup plus complexes que l'ingénierie normale ne nous le permet. Et pourtant, nous n'en comprends pas très bien les options. Donc dans un sens, il prend de l'avance sur nous. Nous utilisons maintenant ces programmes pour rendre les ordinateurs plus rapides pour que nous soyons en mesure d'exécuter ce processus beaucoup plus vite. Donc, il s'autoalimente. La chose devient de plus en plus rapide et c'est pourquoi je pense que ça semble si confus. Parce que toutes ces technologies s'autoalimentent Nous décollons.
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.
Et ce que nous sommes, c'est que nous sommes à un point dans le temps qui est analogue au moment où des organismes unicellulaires se transformait en organismes multicellulaires. Donc, nous sommes les amibes et nous ne pouvons pas tout à fait comprendre ce qu'est ce truc que nous créons. Nous sommes pile à ce moment de transition. Mais je pense qu'il y a vraiment quelque chose qui vient après nous. Je pense que c'est très prétentieux de notre part de penser que nous sommes le produit final de l'évolution. Et je pense que nous tous ici sommes partie prenante dans la production de cette chose, quoi qu'elle soit. Donc, c'est bientôt l'heure du déjeuner, et je pense que je vais m'arrêter là, avant que l'on m'expulse.
(Applause)
(Applaudissements)