ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TED1994

Danny Hillis: Back to the future (of 1994)

Danny Hillis: Regresso ao futuro (de 1994)

Filmed:
686,810 views

Das profundezas dos arquivos do TED, Danny Hillis esboça uma teoria intrigante sobre o como e o porquê de a mudança tecnológica aparentar estar a acelerar, estabelecendo uma ligação à própria evolução da vida. As técnicas de apresentação que usa podem parecer antiquadas, mas as ideias são relevantes como nunca.
- Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio

Double-click the English transcript below to play the video.

00:15
Because I usuallygeralmente take the roleFunção
0
0
3000
Como normalmente assumo o papel
00:18
of tryingtentando to explainexplicar to people
1
3000
2000
de tentar explicar às pessoas
00:20
how wonderfulMaravilhoso the newNovo technologiestecnologias
2
5000
3000
quão maravilhosas vão ser
as novas tecnologias que aí vêm,
00:23
that are comingchegando alongao longo are going to be,
3
8000
2000
00:25
and I thought that, sinceDesde a I was amongentre friendsamigos here,
4
10000
3000
pensei que, como aqui estava entre amigos,
00:28
I would tell you what I really think
5
13000
4000
vos contaria o que realmente penso
00:32
and try to look back and try to understandCompreendo
6
17000
2000
e tentaria olhar para trás
e compreender o que realmente se passa
00:34
what is really going on here
7
19000
3000
00:37
with these amazingsurpreendente jumpssalta in technologytecnologia
8
22000
5000
com estes surpreendentes
saltos da tecnologia
00:42
that seemparecem so fastvelozes that we can barelymal keep on toptopo of it.
9
27000
3000
que parecem tão rápidos
que mal damos conta deles.
00:45
So I'm going to startcomeçar out
10
30000
2000
Portanto, começo por mostrar apenas
00:47
by showingmostrando just one very boringchato technologytecnologia slidedeslizar.
11
32000
3000
um diapositivo de tecnologia muito chato.
00:50
And then, so if you can just turnvirar on the slidedeslizar that's on.
12
35000
3000
— agradeço que mostrem
o diapositivo que está ligado.
00:56
This is just a randomaleatória slidedeslizar
13
41000
2000
Isto é apenas um diapositivo aleatório
00:58
that I pickedescolhido out of my fileArquivo.
14
43000
2000
que seleccionei do meu ficheiro.
01:00
What I want to showexposição you is not so much the detailsdetalhes of the slidedeslizar,
15
45000
3000
O que vos quero mostrar
não são tanto os detalhes,
01:03
but the generalgeral formFormato of it.
16
48000
2000
mas a sua forma geral.
01:05
This happensacontece to be a slidedeslizar of some analysisanálise that we were doing
17
50000
3000
Acontece que isto é sobre uma análise
que estamos a fazer
01:08
about the powerpoder of RISCRISC microprocessorsmicroprocessadores
18
53000
3000
sobre o poder dos microprocessadores RISC,
01:11
versusversus the powerpoder of locallocal areaárea networksredes.
19
56000
3000
em comparação com o poder de redes locais.
01:14
And the interestinginteressante thing about it
20
59000
2000
O que é interessante
é que este diapositivo
01:16
is that this slidedeslizar,
21
61000
2000
01:18
like so manymuitos technologytecnologia slidesslides that we're used to,
22
63000
3000
— como tantos outros diapositivos
de tecnologia, a que estamos habituados —
01:21
is a sortordenar of a straightdireto linelinha
23
66000
2000
é como uma linha recta
numa curva semi-log.
01:23
on a semi-loglog de semi curvecurva.
24
68000
2000
01:25
In other wordspalavras, everycada stepdegrau here
25
70000
2000
Por outras palavras, cada passo aqui
01:27
representsrepresenta an orderordem of magnitudemagnitude
26
72000
2000
representa uma ordem de grandeza
numa escala de desempenho.
01:29
in performancedesempenho scaleescala.
27
74000
2000
01:31
And this is a newNovo thing
28
76000
2000
E isto é uma coisa nova,
01:33
that we talk about technologytecnologia
29
78000
2000
falarmos de tecnologia
com curvas semi-log.
01:35
on semi-loglog de semi curvescurvas.
30
80000
2000
01:37
Something really weirdesquisito is going on here.
31
82000
2000
Algo muito estranho está a acontecer aqui.
01:39
And that's basicallybasicamente what I'm going to be talkingfalando about.
32
84000
3000
E é sobre isso que vou falar.
01:42
So, if you could bringtrazer up the lightsluzes.
33
87000
3000
Portanto, se puderem aumentar a luz.
01:47
If you could bringtrazer up the lightsluzes highersuperior,
34
92000
2000
Podem aumentar a luz um pouco mais,
01:49
because I'm just going to use a piecepeça of paperpapel here.
35
94000
3000
porque agora vou usar
apenas uma folha de papel.
01:52
Now why do we drawdesenhar technologytecnologia curvescurvas
36
97000
2000
Porque é que desenhamos
curvas tecnológicas em curvas semi-log?
01:54
in semi-loglog de semi curvescurvas?
37
99000
2000
01:56
Well the answerresponda is, if I drewDesenhou it on a normalnormal curvecurva
38
101000
3000
A resposta é, se a desenhasse
numa curva normal
01:59
where, let's say, this is yearsanos,
39
104000
2000
onde, por exemplo, aqui são anos,
02:01
this is time of some sortordenar,
40
106000
2000
isto é uma medida de tempo qualquer,
02:03
and this is whatevertanto faz measurea medida of the technologytecnologia
41
108000
3000
e aqui é uma medida qualquer de tecnologia
02:06
that I'm tryingtentando to graphgráfico,
42
111000
3000
que estou a tentar pôr em gráfico,
02:09
the graphsgráficos look sortordenar of sillyboba.
43
114000
3000
os gráficos parecem um pouco patetas.
02:12
They sortordenar of go like this.
44
117000
3000
Ficam assim.
02:15
And they don't tell us much.
45
120000
3000
E não nos dizem muito.
02:18
Now if I graphgráfico, for instanceinstância,
46
123000
3000
Mas se fizesse um gráfico, por exemplo,
02:21
some other technologytecnologia, say transportationtransporte technologytecnologia,
47
126000
2000
sobre a tecnologia de transportes,
02:23
on a semi-loglog de semi curvecurva,
48
128000
2000
numa curva semi-log,
02:25
it would look very stupidestúpido, it would look like a flatplano linelinha.
49
130000
3000
ficava muito estúpido,
pareceria uma linha a direito.
02:28
But when something like this happensacontece,
50
133000
2000
Quando algo como isto acontece,
02:30
things are qualitativelyqualitativamente changingmudando.
51
135000
2000
as coisas estão a mudar qualitativamente.
02:32
So if transportationtransporte technologytecnologia
52
137000
2000
Portanto, se a tecnologia de transportes
estivesse a mover-se tão rapidamente
02:34
was movingmovendo-se alongao longo as fastvelozes as microprocessormicroprocessador technologytecnologia,
53
139000
3000
como a tecnologia de microprocessadores,
02:37
then the day after tomorrowamanhã,
54
142000
2000
então, depois de amanhã,
02:39
I would be ablecapaz to get in a taxiTáxi cabtáxi
55
144000
2000
eu podia entrar num táxi
e chegar a Tóquio em 30 segundos.
02:41
and be in TokyoTóquio in 30 secondssegundos.
56
146000
2000
02:43
It's not movingmovendo-se like that.
57
148000
2000
Mas não está a mover-se assim.
02:45
And there's nothing precedentedprecedentes
58
150000
2000
E não há nada precedente
02:47
in the historyhistória of technologytecnologia developmentdesenvolvimento
59
152000
2000
na história do desenvolvimento tecnológico,
02:49
of this kindtipo of self-feedingauto alimentação growthcrescimento
60
154000
2000
deste tipo de crescimento auto-alimentado
02:51
where you go by ordersordens of magnitudemagnitude everycada fewpoucos yearsanos.
61
156000
3000
em que se passa por várias
ordens de grandeza em poucos anos.
02:54
Now the questionquestão that I'd like to askpergunte is,
62
159000
3000
A pergunta que gostaria de fazer é,
02:57
if you look at these exponentialexponencial curvescurvas,
63
162000
3000
se olharem para estas curvas exponenciais,
03:00
they don't go on foreverpara sempre.
64
165000
3000
elas não evoluem infinitamente.
03:03
Things just can't possiblypossivelmente keep changingmudando
65
168000
3000
As coisas não podem continuar a mudar
à velocidade que estão.
03:06
as fastvelozes as they are.
66
171000
2000
03:08
One of two things is going to happenacontecer.
67
173000
3000
Uma de duas coisas vai acontecer.
03:11
EitherDe qualquer it's going to turnvirar into a sortordenar of classicalclássica S-curveCurva-S like this,
68
176000
4000
Ou vai mudar para uma curva-S clássica,
como esta,
03:15
untilaté something totallytotalmente differentdiferente comesvem alongao longo,
69
180000
4000
até surgir uma coisa totalmente diferente
03:19
or maybe it's going to do this.
70
184000
2000
ou talvez faça isto.
03:21
That's about all it can do.
71
186000
2000
Pouco mais pode fazer.
03:23
Now I'm an optimistotimista,
72
188000
2000
Eu sou optimista,
03:25
so I sortordenar of think it's probablyprovavelmente going to do something like that.
73
190000
3000
portanto penso que provavelmente
fará uma coisa assim.
03:28
If so, that meanssignifica that what we're in the middlemeio of right now
74
193000
3000
Se assim for, isso significa que,
neste momento,
03:31
is a transitiontransição.
75
196000
2000
estamos no meio de uma transição.
03:33
We're sortordenar of on this linelinha
76
198000
2000
Estamos nesta linha,
03:35
in a transitiontransição from the way the worldmundo used to be
77
200000
2000
numa transição entre a forma
como o mundo era
03:37
to some newNovo way that the worldmundo is.
78
202000
3000
e a forma como o mundo é.
03:40
And so what I'm tryingtentando to askpergunte, what I've been askingPerguntando myselfEu mesmo,
79
205000
3000
O que eu estou a perguntar,
o que tenho questionado,
03:43
is what's this newNovo way that the worldmundo is?
80
208000
3000
é que forma nova de mundo é este?
03:46
What's that newNovo stateEstado that the worldmundo is headingencabeçando towardem direção a?
81
211000
3000
Qual é o novo estado
para o qual o mundo caminha?
03:49
Because the transitiontransição seemsparece very, very confusingconfuso
82
214000
3000
Porque a transição parece muito,
muito confusa
03:52
when we're right in the middlemeio of it.
83
217000
2000
quando estamos mesmo no meio dela.
03:54
Now when I was a kidcriança growingcrescendo up,
84
219000
3000
Quando eu era miúdo,
03:57
the futurefuturo was kindtipo of the yearano 2000,
85
222000
3000
o futuro era o ano 2000.
04:00
and people used to talk about what would happenacontecer in the yearano 2000.
86
225000
4000
As pessoas falavam sobre
o que aconteceria no ano 2000.
04:04
Now here'saqui está a conferenceconferência
87
229000
2000
Hoje temos aqui uma conferência
em que pessoas falam sobre o futuro
04:06
in whichqual people talk about the futurefuturo,
88
231000
2000
04:08
and you noticeaviso prévio that the futurefuturo is still at about the yearano 2000.
89
233000
3000
e hão-de notar que o futuro
continua a ser o ano 2000.
04:11
It's about as farlonge as we go out.
90
236000
2000
É o mais longe que vamos.
04:13
So in other wordspalavras, the futurefuturo has kindtipo of been shrinkingencolhendo
91
238000
3000
Por outras palavras,
o futuro tem estado a diminuir
04:16
one yearano perpor yearano
92
241000
3000
um ano, por cada ano
durante toda a minha vida.
04:19
for my wholetodo lifetimetempo de vida.
93
244000
3000
(Risos)
04:22
Now I think that the reasonrazão
94
247000
2000
Penso que a razão
é que todos sentimos
04:24
is because we all feel
95
249000
2000
04:26
that something'salgumas coisas happeningacontecendo there.
96
251000
2000
que algo está a acontecer ali.
04:28
That transitiontransição is happeningacontecendo. We can all sensesentido it.
97
253000
2000
Aquela transição está a acontecer.
Podemos senti-la.
04:30
And we know that it just doesn't make too much sensesentido
98
255000
2000
E sabemos que não faz lá muito sentido
04:32
to think out 30, 50 yearsanos
99
257000
2000
pensar em daqui a 30, 50 anos.
04:34
because everything'studo going to be so differentdiferente
100
259000
3000
Tudo vai ser tão diferente
04:37
that a simplesimples extrapolationextrapolação of what we're doing
101
262000
2000
que uma simples extrapolação
do que estamos a fazer
04:39
just doesn't make any sensesentido at all.
102
264000
3000
simplesmente não faz sentido.
04:42
So what I would like to talk about
103
267000
2000
Portanto, gostaria de falar
sobre o que isso poderia ser,
04:44
is what that could be,
104
269000
2000
04:46
what that transitiontransição could be that we're going throughatravés.
105
271000
3000
sobre que transição poderia ser
aquela pela qual passamos.
04:49
Now in orderordem to do that
106
274000
3000
E para fazer isso
04:52
I'm going to have to talk about a bunchgrupo of stuffcoisa
107
277000
2000
terei que falar sobre
um conjunto de coisas
04:54
that really has nothing to do
108
279000
2000
que não tem nada a ver
com tecnologia e computadores.
04:56
with technologytecnologia and computerscomputadores.
109
281000
2000
04:58
Because I think the only way to understandCompreendo this
110
283000
2000
Penso que a única forma
de compreender isto
05:00
is to really stepdegrau back
111
285000
2000
é afastarmo-nos e olhar para as coisas
numa grande escala temporal.
05:02
and take a long time scaleescala look at things.
112
287000
2000
05:04
So the time scaleescala that I would like to look at this on
113
289000
3000
A escala temporal que gostaria de usar
05:07
is the time scaleescala of life on EarthTerra.
114
292000
3000
é a escala temporal da vida na Terra.
05:13
So I think this picturecenário makesfaz com que sensesentido
115
298000
2000
Penso que esta imagem faz sentido
05:15
if you look at it a fewpoucos billionbilhão yearsanos at a time.
116
300000
4000
se olharmos para ela
em milhares de milhões de anos de cada vez.
05:19
So if you go back
117
304000
2000
Portanto, se voltarmos atrás
cerca de 2500 milhões de anos,
05:21
about two and a halfmetade billionbilhão yearsanos,
118
306000
2000
05:23
the EarthTerra was this biggrande, sterileestéril hunkHunk of rockRocha
119
308000
3000
a Terra era um grande rochedo estéril
05:26
with a lot of chemicalsprodutos quimicos floatingflutuando around on it.
120
311000
3000
com muitos químicos a flutuar à sua volta.
05:29
And if you look at the way
121
314000
2000
Se olharem para a forma
como os químicos se organizaram,
05:31
that the chemicalsprodutos quimicos got organizedorganizado,
122
316000
2000
05:33
we begininício to get a prettybonita good ideaidéia of how they do it.
123
318000
3000
começamos a perceber
como é que o conseguiram.
05:36
And I think that there's theoriesteorias that are beginningcomeçando to understandCompreendo
124
321000
3000
Penso que existem teorias
que começam a perceber
05:39
about how it startedcomeçado with RNARNA,
125
324000
2000
como tudo começou com o ARN,
05:41
but I'm going to tell a sortordenar of simplesimples storyhistória of it,
126
326000
3000
mas vou contar
uma pequena história sobre isso.
05:44
whichqual is that, at that time,
127
329000
2000
Naquele tempo,
havia pequenas gotas de óleo a flutuar
05:46
there were little dropsgotas of oilóleo floatingflutuando around
128
331000
3000
05:49
with all kindstipos of differentdiferente recipesreceitas of chemicalsprodutos quimicos in them.
129
334000
3000
que continham vários tipos
de receitas de químicos.
05:52
And some of those dropsgotas of oilóleo
130
337000
2000
Algumas dessas gotas de óleo
05:54
had a particularespecial combinationcombinação of chemicalsprodutos quimicos in them
131
339000
2000
continham uma combinação
particular de químicos
05:56
whichqual causedcausou them to incorporateincorporar chemicalsprodutos quimicos from the outsidelado de fora
132
341000
3000
que as levavam a incorporar
químicos do exterior
05:59
and growcrescer the dropsgotas of oilóleo.
133
344000
3000
e aumentarem essas gotas de óleo.
06:02
And those that were like that
134
347000
2000
As gotas em que isso acontecia
começaram a separar-se e a dividir-se.
06:04
startedcomeçado to splitDividido and dividedividir.
135
349000
2000
06:06
And those were the mosta maioria primitiveprimitivo formsformas of cellscélulas in a sensesentido,
136
351000
3000
Foram as formas
mais primitivas das células,
06:09
those little dropsgotas of oilóleo.
137
354000
2000
aquelas gotas de óleo.
06:11
But now those dropsgotas of oilóleo weren'tnão foram really alivevivo, as we say it now,
138
356000
3000
Mas aquelas gotas de óleo
não estavam vivas,
06:14
because everycada one of them
139
359000
2000
porque cada uma delas
era uma receita aleatória de químicos.
06:16
was a little randomaleatória recipereceita of chemicalsprodutos quimicos.
140
361000
2000
06:18
And everycada time it divideddividido,
141
363000
2000
Cada vez que se dividiam,
06:20
they got sortordenar of unequaldesigual divisiondivisão
142
365000
3000
dividiam de forma desigual
os químicos que continham.
06:23
of the chemicalsprodutos quimicos withindentro them.
143
368000
2000
06:25
And so everycada dropsolta was a little bitpouco differentdiferente.
144
370000
3000
Portanto, cada gota
era ligeiramente diferente.
06:28
In factfacto, the dropsgotas that were differentdiferente in a way
145
373000
2000
De facto, as gotas eram
diferentes de uma forma
06:30
that causedcausou them to be better
146
375000
2000
que as levava a serem melhores
06:32
at incorporatingincorporando chemicalsprodutos quimicos around them,
147
377000
2000
e a incorporarem os químicos à sua volta,
06:34
grewcresceu more and incorporatedincorporado more chemicalsprodutos quimicos and divideddividido more.
148
379000
3000
a crescerem mais, a incorporarem
mais químicos e a dividirem-se mais.
06:37
So those tendedtendiam to liveviver longermais longo,
149
382000
2000
Essas viviam durante mais tempo
e eram mais representadas.
06:39
get expressedexpresso more.
150
384000
3000
06:42
Now that's sortordenar of just a very simplesimples
151
387000
3000
Isso é uma simples
forma química da vida
06:45
chemicalquímico formFormato of life,
152
390000
2000
06:47
but when things got interestinginteressante
153
392000
3000
mas as coisas tornaram-se interessantes
06:50
was when these dropsgotas
154
395000
2000
quando as gotas aprenderam
o truque da asbtracção.
06:52
learnedaprendido a tricktruque about abstractionabstração.
155
397000
3000
06:55
SomehowDe alguma forma by waysmaneiras that we don't quitebastante understandCompreendo,
156
400000
3000
Por uma qualquer forma
que ainda não compreendemos,
06:58
these little dropsgotas learnedaprendido to writeEscreva down informationem formação.
157
403000
3000
essas pequenas gotas
aprenderam a escrever informação.
07:01
They learnedaprendido to recordregistro the informationem formação
158
406000
2000
Aprenderam a gravar a informação
07:03
that was the recipereceita of the cellcélula
159
408000
2000
que era a receita de célula
07:05
ontopara a particularespecial kindtipo of chemicalquímico
160
410000
2000
num químico muito particular
chamado ADN.
07:07
calledchamado DNADNA.
161
412000
2000
07:09
So in other wordspalavras, they workedtrabalhou out,
162
414000
2000
Por outras palavras, resolveram,
07:11
in this mindlesssem cérebro sortordenar of evolutionaryevolutivo way,
163
416000
3000
duma forma evolutiva desajeitada,
07:14
a formFormato of writingescrevendo that let them writeEscreva down what they were,
164
419000
3000
uma forma de escrever
que lhes permitia escrever o que eram
07:17
so that that way of writingescrevendo it down could get copiedcopiado.
165
422000
3000
para que essa forma de escrever
pudesse ser copiada.
07:20
The amazingsurpreendente thing is that that way of writingescrevendo
166
425000
3000
A coisa fascinante
é que essa forma de escrever
07:23
seemsparece to have stayedfiquei steadyestável
167
428000
2000
parece ter-se estabilizado
07:25
sinceDesde a it evolvedevoluiu two and a halfmetade billionbilhão yearsanos agoatrás.
168
430000
2000
desde que evoluiu há 2500 milhões de anos.
07:27
In factfacto the recipereceita for us, our genesgenes,
169
432000
3000
De facto, a nossa receita, os nossos genes,
07:30
is exactlyexatamente that samemesmo codecódigo and that samemesmo way of writingescrevendo.
170
435000
3000
são exactamente esse mesmo código
e essa forma de escrever.
07:33
In factfacto, everycada livingvivo creaturecriatura is writtenescrito
171
438000
3000
De facto, cada criatura viva é escrita
07:36
in exactlyexatamente the samemesmo setconjunto of letterscartas and the samemesmo codecódigo.
172
441000
2000
com o mesmo conjunto de letras
e com o mesmo código.
07:38
In factfacto, one of the things that I did
173
443000
2000
Uma das coisas que fiz
apenas para me entreter
07:40
just for amusementdiversões purposesfins
174
445000
2000
07:42
is we can now writeEscreva things in this codecódigo.
175
447000
2000
é que agora podemos
escrever coisas neste código.
07:44
And I've got here a little 100 microgramsmicrogramas of whitebranco powderem pó,
176
449000
6000
Tenho aqui uns 100 microgramas
de pó branco,
— que evito mostrar ao pessoal
de segurança dos aeroportos.
07:50
whichqual I try not to let the securitysegurança people see at airportsAeroportos.
177
455000
4000
07:54
(LaughterRiso)
178
459000
2000
(Risos)
07:56
But this has in it --
179
461000
2000
Mas dentro disto
07:58
what I did is I tooktomou this codecódigo --
180
463000
2000
— o que fiz foi tirar este código,
08:00
the codecódigo has standardpadrão letterscartas that we use for symbolizingsimbolizando o it --
181
465000
3000
o código tem letras padrão
que usamos para o simbolizar —
08:03
and I wroteescrevi my businesso negócio cardcartão ontopara a piecepeça of DNADNA
182
468000
3000
escrevi o meu cartão de visita
num pedaço de ADN
08:06
and amplifiedamplificado it 10 to the 22 timesvezes.
183
471000
3000
e amplifiquei-o à escala
de 10 elevado a 22.
08:09
So if anyonealguém would like a hundredcem millionmilhão copiescópias of my businesso negócio cardcartão,
184
474000
3000
Portanto, se alguém quiser 100 milhões
de cópias do meu cartão,
08:12
I have plentyabundância for everyonetodos in the roomquarto,
185
477000
2000
eu tenho que cheguem para todos
08:14
and, in factfacto, everyonetodos in the worldmundo,
186
479000
2000
e mesmo para toda a gente no mundo inteiro.
08:16
and it's right here.
187
481000
3000
Estão mesmo aqui.
08:19
(LaughterRiso)
188
484000
5000
(Risos)
08:26
If I had really been a egotistegotist,
189
491000
2000
Se tivesse sido egoísta,
08:28
I would have put it into a virusvírus and releasedliberado it in the roomquarto.
190
493000
3000
tê-lo-ia colocado num vírus
e espalhava-o pela sala.
08:31
(LaughterRiso)
191
496000
5000
(Risos)
08:39
So what was the nextPróximo stepdegrau?
192
504000
2000
Então qual foi o passo seguinte?
08:41
WritingEscrita down the DNADNA was an interestinginteressante stepdegrau.
193
506000
2000
Escrever o ADN foi um passo interessante.
08:43
And that causedcausou these cellscélulas --
194
508000
2000
Isso fez com que as células
08:45
that keptmanteve them happyfeliz for anotheroutro billionbilhão yearsanos.
195
510000
2000
vivessem felizes durante
mais 1000 milhões de anos.
08:47
But then there was anotheroutro really interestinginteressante stepdegrau
196
512000
2000
Mas depois ocorreu outro passo interessante
08:49
where things becamepassou a ser completelycompletamente differentdiferente,
197
514000
3000
em que as coisas ficaram
completamente diferentes.
08:52
whichqual is these cellscélulas startedcomeçado exchangingtroca de and communicatingcomunicando informationem formação,
198
517000
3000
As células começaram a trocar informações
e a comunicar.
08:55
so that they begancomeçasse to get communitiescomunidades of cellscélulas.
199
520000
2000
e começaram a formar
comunidades de células.
08:57
I don't know if you know this,
200
522000
2000
Não sei se sabem isto,
mas as bactérias conseguem trocar ADN.
08:59
but bacteriabactérias can actuallyna realidade exchangetroca DNADNA.
201
524000
2000
09:01
Now that's why, for instanceinstância,
202
526000
2000
É por isso que, por exemplo,
a resistência antibiótica tem evoluído.
09:03
antibioticantibiótico resistanceresistência has evolvedevoluiu.
203
528000
2000
09:05
Some bacteriabactérias figuredfigurado out how to stayfique away from penicillinpenicilina,
204
530000
3000
Umas bactérias quaisquer
perceberam como evitar a penicilina
09:08
and it wentfoi around sortordenar of creatingcriando its little DNADNA informationem formação
205
533000
3000
e começaram a criar a sua informação
de ADN com outras bactérias
09:11
with other bacteriabactérias,
206
536000
2000
09:13
and now we have a lot of bacteriabactérias that are resistantresistente to penicillinpenicilina,
207
538000
3000
e agora temos muitas bactérias
resistentes à penicilina,
09:16
because bacteriabactérias communicatecomunicar.
208
541000
2000
porque as bactérias comunicam.
09:18
Now what this communicationcomunicação allowedpermitido
209
543000
2000
Ora, o que esta comunicação permitiu
09:20
was communitiescomunidades to formFormato
210
545000
2000
foi que se formassem comunidades
09:22
that, in some sensesentido, were in the samemesmo boatbarco togetherjuntos;
211
547000
2000
que, de certa forma,
estavam no mesmo barco e eram sinérgicas.
09:24
they were synergisticsinérgica.
212
549000
2000
09:26
So they survivedsobreviveu
213
551000
2000
Portanto ou sobreviviam
ou falhavam em conjunto,
09:28
or they failedfalhou togetherjuntos,
214
553000
2000
09:30
whichqual meanssignifica that if a communitycomunidade was very successfulbem sucedido,
215
555000
2000
o que significa que,
se uma comunidade tivesse sucesso,
09:32
all the individualsindivíduos in that communitycomunidade
216
557000
2000
todos os indivíduos dessa comunidade
09:34
were repeatedrepetido more
217
559000
2000
repetiam-se mais vezes
e eram favorecidos pela evolução.
09:36
and they were favoredfavorecido by evolutionevolução.
218
561000
3000
09:39
Now the transitiontransição pointponto happenedaconteceu
219
564000
2000
O ponto de transição ocorreu
09:41
when these communitiescomunidades got so closefechar
220
566000
2000
quando estas comunidades
se aproximaram tanto
09:43
that, in factfacto, they got togetherjuntos
221
568000
2000
que se juntaram
09:45
and decideddecidiu to writeEscreva down the wholetodo recipereceita for the communitycomunidade
222
570000
3000
e decidiram escrever a receita
completa para a comunidade
09:48
togetherjuntos on one stringcorda of DNADNA.
223
573000
3000
numa única linha de ADN.
09:51
And so the nextPróximo stageetapa that's interestinginteressante in life
224
576000
2000
E assim a fase seguinte
de interesse na vida
09:53
tooktomou about anotheroutro billionbilhão yearsanos.
225
578000
2000
demorou mais 1000 milhões de anos.
09:55
And at that stageetapa,
226
580000
2000
Nessa fase,
temos comunidades multi-celulares,
09:57
we have multi-cellularmulti celulares communitiescomunidades,
227
582000
2000
09:59
communitiescomunidades of lots of differentdiferente typestipos of cellscélulas,
228
584000
2000
comunidades com muitas
células de tipos diferentes
10:01
workingtrabalhando togetherjuntos as a singlesolteiro organismorganismo.
229
586000
2000
a trabalhar em conjunto
como um único organismo.
10:03
And in factfacto, we're suchtal a multi-cellularmulti celulares communitycomunidade.
230
588000
3000
De facto, nós somos
uma comunidade multi-celular desse tipo.
10:06
We have lots of cellscélulas
231
591000
2000
Temos muitas células
que já não são independentes.
10:08
that are not out for themselvessi mesmos anymorenão mais.
232
593000
2000
10:10
Your skinpele cellcélula is really uselesssem utilidade
233
595000
3000
As células da pele são inúteis
10:13
withoutsem a heartcoração cellcélula, musclemúsculo cellcélula,
234
598000
2000
sem células do coração, dos músculos,
10:15
a braincérebro cellcélula and so on.
235
600000
2000
do cérebro e por aí fora.
10:17
So these communitiescomunidades begancomeçasse to evolveevoluir
236
602000
2000
Portanto, estas comunidades evoluíram
10:19
so that the interestinginteressante levelnível on whichqual evolutionevolução was takinglevando placeLugar, colocar
237
604000
3000
de tal forma que o interessante nível
em que decorria a evolução
10:22
was no longermais longo a cellcélula,
238
607000
2000
já não era uma célula,
10:24
but a communitycomunidade whichqual we call an organismorganismo.
239
609000
3000
mas uma comunidade
a que chamamos organismo.
10:28
Now the nextPróximo stepdegrau that happenedaconteceu
240
613000
2000
Ora, o passo seguinte que ocorreu
10:30
is withindentro these communitiescomunidades.
241
615000
2000
foi dentro destas comunidades.
10:32
These communitiescomunidades of cellscélulas,
242
617000
2000
Estas comunidades de células,
10:34
again, begancomeçasse to abstractabstrato informationem formação.
243
619000
2000
novamente, começaram
a resumir informações
10:36
And they begancomeçasse buildingconstrução very specialespecial structuresestruturas
244
621000
3000
Começaram a construir
estruturas muito especiais
10:39
that did nothing but processprocesso informationem formação withindentro the communitycomunidade.
245
624000
3000
que apenas processavam
informações dentro da comunidade.
10:42
And those are the neuralneural structuresestruturas.
246
627000
2000
Essas estruturas são as estruturas neurais.
10:44
So neuronsneurônios are the informationem formação processingem processamento apparatusaparelho
247
629000
3000
Portanto os neurónios são o aparelho
de processamento da informação
10:47
that those communitiescomunidades of cellscélulas builtconstruído up.
248
632000
3000
que essas comunidades
de células construíram.
10:50
And in factfacto, they begancomeçasse to get specialistsespecialistas in the communitycomunidade
249
635000
2000
De facto, começaram a formar
especialistas na comunidade
10:52
and specialespecial structuresestruturas
250
637000
2000
e estruturas especiais
10:54
that were responsibleresponsável for recordinggravação,
251
639000
2000
que eram responsáveis pela gravação,
10:56
understandingcompreensão, learningAprendendo informationem formação.
252
641000
3000
compreensão e aprendizagem de informações.
10:59
And that was the brainscérebro and the nervousnervoso systemsistema
253
644000
2000
Isso era o cérebro e o sistema nervoso
dessas comunidades.
11:01
of those communitiescomunidades.
254
646000
2000
11:03
And that gavedeu them an evolutionaryevolutivo advantagevantagem.
255
648000
2000
Isso deu-lhes uma vantagem evolutiva.
11:05
Because at that pointponto,
256
650000
3000
Porque, a partir daquele momento,
11:08
an individualIndividual --
257
653000
3000
podia ocorrer uma aprendizagem individual
11:11
learningAprendendo could happenacontecer
258
656000
2000
durante o tempo de vida
de um único organismo,
11:13
withindentro the time spanperíodo of a singlesolteiro organismorganismo,
259
658000
2000
11:15
insteadem vez de of over this evolutionaryevolutivo time spanperíodo.
260
660000
3000
em vez de durante
todo o tempo de evolução.
11:18
So an organismorganismo could, for instanceinstância,
261
663000
2000
Um organismo podia, por exemplo,
11:20
learnaprender not to eatcomer a certaincerto kindtipo of fruitfruta
262
665000
2000
aprender a não comer
determinado tipo de fruta
11:22
because it tastedprovado badmau and it got sickdoente last time it atecomeu it.
263
667000
4000
porque tinha mau sabor e ficara doente
da última vez que a comera.
11:26
That could happenacontecer withindentro the lifetimetempo de vida of a singlesolteiro organismorganismo,
264
671000
3000
Isso podia acontecer no espaço de vida
dum único organismo.
11:29
whereasenquanto que before they'deles builtconstruído these specialespecial informationem formação processingem processamento structuresestruturas,
265
674000
4000
enquanto que anteriormente
tinham que construir
as estruturas
de processamento de informações
11:33
that would have had to be learnedaprendido evolutionarilyevolutivamente
266
678000
2000
que tinham que ser aprendidas
de forma evolutiva,
11:35
over hundredscentenas of thousandsmilhares of yearsanos
267
680000
3000
ao longo de centenas de milhares de anos
11:38
by the individualsindivíduos dyingmorrendo off that atecomeu that kindtipo of fruitfruta.
268
683000
3000
pela morte dos indivíduos
que comiam essa fruta.
11:41
So that nervousnervoso systemsistema,
269
686000
2000
Aquele sistema nervoso,
11:43
the factfacto that they builtconstruído these specialespecial informationem formação structuresestruturas,
270
688000
3000
o facto de terem construído
essas estruturas de informação,
11:46
tremendouslyTremendo spedSPED up the wholetodo processprocesso of evolutionevolução.
271
691000
3000
acelerou muito todo o processo da evolução.
11:49
Because evolutionevolução could now happenacontecer withindentro an individualIndividual.
272
694000
3000
Porque a evolução pôde passar a decorrer
dentro de um indivíduo.
11:52
It could happenacontecer in learningAprendendo time scalesescalas.
273
697000
3000
Pôde acontecer em escalas
de aprendizagem temporais.
11:55
But then what happenedaconteceu
274
700000
2000
Mas o que aconteceu depois
11:57
was the individualsindivíduos workedtrabalhou out,
275
702000
2000
foi que os indivíduos descobriram,
truques para comunicarem.
11:59
of coursecurso, trickstruques of communicatingcomunicando.
276
704000
2000
12:01
And for exampleexemplo,
277
706000
2000
Por exemplo,
a forma mais sofisticada que conhecemos
é a linguagem humana.
12:03
the mosta maioria sophisticatedsofisticado versionversão that we're awareconsciente of is humanhumano languagelíngua.
278
708000
3000
12:06
It's really a prettybonita amazingsurpreendente inventioninvenção if you think about it.
279
711000
3000
É uma invenção extraordinária,
se pensarmos nisso.
12:09
Here I have a very complicatedcomplicado, messybagunçado,
280
714000
2000
Tenho uma ideia muito complicada,
desorganizada, confusa
12:11
confusedconfuso ideaidéia in my headcabeça.
281
716000
3000
dentro da minha cabeça.
12:14
I'm sittingsentado here makingfazer gruntinggrunhir soundssoa basicallybasicamente,
282
719000
3000
Estou aqui, basicamente,
a fazer grunhidos,
12:17
and hopefullyesperançosamente constructingconstruindo a similarsemelhante messybagunçado, confusedconfuso ideaidéia in your headcabeça
283
722000
3000
na esperança de construir uma ideia
confusa e desorganizada na vossa cabeça
12:20
that bearsursos some analogyanalogia to it.
284
725000
2000
que estabeleça uma ligação com a minha.
12:22
But we're takinglevando something very complicatedcomplicado,
285
727000
2000
Estou a pegar numa coisa
muito complicada,
12:24
turninggiro it into soundsom, sequencessequências de of soundssoa,
286
729000
3000
a transformá-la em som,
sequências de sons,
12:27
and producingproduzindo something very complicatedcomplicado in your braincérebro.
287
732000
4000
e a produzir uma coisa
muito complicada no vosso cérebro.
12:31
So this allowspermite us now
288
736000
2000
Isto permite-nos agora
12:33
to begininício to startcomeçar functioningfuncionando
289
738000
2000
começar a funcionar
como um único organismo.
12:35
as a singlesolteiro organismorganismo.
290
740000
3000
12:38
And so, in factfacto, what we'venós temos donefeito
291
743000
3000
Então, o que a humanidade tem feito,
12:41
is we, humanityhumanidade,
292
746000
2000
12:43
have startedcomeçado abstractingAbstraindo out.
293
748000
2000
é começara a abstrair.
12:45
We're going throughatravés the samemesmo levelsníveis
294
750000
2000
Estamos a passar pelos mesmo níveis
que os organismos multi-celulares passaram
12:47
that multi-cellularmulti celulares organismsorganismos have gonefoi throughatravés --
295
752000
2000
12:49
abstractingAbstraindo out our methodsmétodos of recordinggravação,
296
754000
3000
— a abstrair os nossos métodos de gravação,
12:52
presentingapresentando, processingem processamento informationem formação.
297
757000
2000
de apresentação e de processamento
de informações.
12:54
So for exampleexemplo, the inventioninvenção of languagelíngua
298
759000
2000
Por exemplo, a invenção da linguagem
12:56
was a tinyminúsculo stepdegrau in that directiondireção.
299
761000
3000
foi um pequeno passo nessa direcção.
12:59
TelephonyTelefonia, computerscomputadores,
300
764000
2000
A telefonia, os computadores
13:01
videotapesfitas de vídeo, CD-ROMsCD-ROMs and so on
301
766000
3000
as cassettes de vídeo, os CD-ROMs e outros
13:04
are all our specializedespecializado mechanismsmecanismos
302
769000
2000
são mecanismos especializados
13:06
that we'venós temos now builtconstruído withindentro our societysociedade
303
771000
2000
que construímos dentro da sociedade
13:08
for handlingmanipulação that informationem formação.
304
773000
2000
para lidar com essas informações.
13:10
And it all connectsse conecta us togetherjuntos
305
775000
3000
Isso liga-nos uns aos outros
numa coisa que é muito maior
13:13
into something
306
778000
2000
13:15
that is much biggerMaior
307
780000
2000
13:17
and much fasterMais rápido
308
782000
2000
muito mais rápida e capaz de evoluir
13:19
and ablecapaz to evolveevoluir
309
784000
2000
13:21
than what we were before.
310
786000
2000
do que éramos antes.
13:23
So now, evolutionevolução can take placeLugar, colocar
311
788000
2000
A evolução pode ocorrer agora
numa escala de microssegundos.
13:25
on a scaleescala of microsecondsmicrossegundos.
312
790000
2000
13:27
And you saw Ty'sDo Ty little evolutionaryevolutivo exampleexemplo
313
792000
2000
Vocês viram o exemplo evolutivo do Ty,
13:29
where he sortordenar of did a little bitpouco of evolutionevolução
314
794000
2000
em que ele fez uma espécie de evolução
13:31
on the ConvolutionConvolução programprograma right before your eyesolhos.
315
796000
3000
no programa Convolução
mesmo à vossa frente.
13:34
So now we'venós temos speededacelerada up the time scalesescalas onceuma vez again.
316
799000
3000
Mais uma vez acelerámos
as escalas do tempo.
13:37
So the first stepspassos of the storyhistória that I told you about
317
802000
2000
Os primeiros passos
da história que vos contei
13:39
tooktomou a billionbilhão yearsanos a piecepeça.
318
804000
2000
demoraram 1000 milhões de anos cada um.
13:41
And the nextPróximo stepspassos,
319
806000
2000
E os passos seguintes,
como o sistema nervoso e o cérebro,
13:43
like nervousnervoso systemssistemas and brainscérebro,
320
808000
2000
13:45
tooktomou a fewpoucos hundredcem millionmilhão yearsanos.
321
810000
2000
demoraram umas centenas de milhões de anos.
13:47
Then the nextPróximo stepspassos, like languagelíngua and so on,
322
812000
3000
Os passos seguintes,
como a linguagem e o resto
13:50
tooktomou lessMenos than a millionmilhão yearsanos.
323
815000
2000
demoraram menos de um milhão de anos.
13:52
And these nextPróximo stepspassos, like electronicseletrônicos,
324
817000
2000
E os próximos passos, como a electrónica,
13:54
seemparecem to be takinglevando only a fewpoucos decadesdécadas.
325
819000
2000
parecem estar a demorar
apenas umas décadas.
13:56
The processprocesso is feedingalimentação on itselfem si
326
821000
2000
O processo alimenta-se de si próprio
13:58
and becomingtornando-se, I guessacho, autocatalyticautocatalytic is the wordpalavra for it --
327
823000
3000
e torna-se, suponho,
auto-catalítico — é a palavra certa
14:01
when something reinforcesreforça its ratetaxa of changemudança.
328
826000
3000
quando algo reforça o seu ritmo de mudança.
14:04
The more it changesalterar, the fasterMais rápido it changesalterar.
329
829000
3000
Quanto mais muda, mais rápido muda.
14:07
And I think that that's what we're seeingvendo here in this explosionexplosão of curvecurva.
330
832000
3000
Penso que é isso que estamos a ver
aqui, nesta curva de explosão.
14:10
We're seeingvendo this processprocesso feedingalimentação back on itselfem si.
331
835000
3000
Estamos a ver este processo
de auto-alimentação.
14:13
Now I designdesenhar computerscomputadores for a livingvivo,
332
838000
3000
Eu trabalho no desenho de computadores,
14:16
and I know that the mechanismsmecanismos
333
841000
2000
e sei que os mecanismos
que uso para desenhar computadores
14:18
that I use to designdesenhar computerscomputadores
334
843000
3000
14:21
would be impossibleimpossível
335
846000
2000
seriam impossíveis sem os recentes
avanços nos computadores.
14:23
withoutsem recentrecente advancesavanços in computerscomputadores.
336
848000
2000
14:25
So right now, what I do
337
850000
2000
E agora, o que faço
14:27
is I designdesenhar objectsobjetos at suchtal complexitycomplexidade
338
852000
3000
é desenhar objectos
com tanta complexidade
14:30
that it's really impossibleimpossível for me to designdesenhar them in the traditionaltradicional sensesentido.
339
855000
3000
que na realidade é impossível
desenhá-los duma forma tradicional.
14:33
I don't know what everycada transistortransistor in the connectionconexão machinemáquina does.
340
858000
4000
Eu não sei o que é que faz
cada transístor numa máquina.
14:37
There are billionsbilhões of them.
341
862000
2000
São milhares de milhões.
14:39
InsteadEm vez disso, what I do
342
864000
2000
Mas, o que eu faço
14:41
and what the designersdesigners at ThinkingPensando MachinesMáquinas do
343
866000
3000
e o que os desenhadores
da Thinking Machines fazem
14:44
is we think at some levelnível of abstractionabstração
344
869000
2000
é pensarmos num certo nível de abstracção
14:46
and then we handmão it to the machinemáquina
345
871000
2000
e depois entregamos isso à máquina.
14:48
and the machinemáquina takes it beyondalém what we could ever do,
346
873000
3000
A máquina leva isso a um ponto
para além do que seríamos capazes,
14:51
much farthermais longe and fasterMais rápido than we could ever do.
347
876000
3000
mais longe e mais depressa
do que seríamos capazes.
14:54
And in factfacto, sometimesas vezes it takes it by methodsmétodos
348
879000
2000
De facto, às vezes, fá-lo com métodos
14:56
that we don't quitebastante even understandCompreendo.
349
881000
3000
que nem sequer compreendemos.
14:59
One methodmétodo that's particularlyparticularmente interestinginteressante
350
884000
2000
Um método particularmente interessante
15:01
that I've been usingusando a lot latelyrecentemente
351
886000
3000
que tenho utilizado recentemente
15:04
is evolutionevolução itselfem si.
352
889000
2000
é a própria evolução.
15:06
So what we do
353
891000
2000
Portanto, o que fazemos
é colocar dentro da máquina
15:08
is we put insidedentro the machinemáquina
354
893000
2000
15:10
a processprocesso of evolutionevolução
355
895000
2000
um processo de evolução
15:12
that takes placeLugar, colocar on the microsecondmicrossegundo time scaleescala.
356
897000
2000
que decorre numa escala temporal
de microssegundos.
15:14
So for exampleexemplo,
357
899000
2000
Por exemplo, nos casos mais extremos,
15:16
in the mosta maioria extremeextremo casescasos,
358
901000
2000
15:18
we can actuallyna realidade evolveevoluir a programprograma
359
903000
2000
podemos desenvolver um programa
15:20
by startinginiciando out with randomaleatória sequencessequências de of instructionsinstruções.
360
905000
4000
começando com uma série
aleatória de instruções.
15:24
Say, "ComputerComputador, would you please make
361
909000
2000
Dizemos; "Computador, por favor,
15:26
a hundredcem millionmilhão randomaleatória sequencessequências de of instructionsinstruções.
362
911000
3000
faça cem milhões de sequências
aleatórias de instruções.
15:29
Now would you please runcorre all of those randomaleatória sequencessequências de of instructionsinstruções,
363
914000
3000
E agora, por favor, corra essas sequências
aleatórias de instruções,
15:32
runcorre all of those programsprogramas,
364
917000
2000
corra esses programas todos,
15:34
and pickescolher out the onesuns that cameveio closestmais próximo to doing what I wanted."
365
919000
3000
e escolha os que mais se aproximam
daquilo que eu quero."
15:37
So in other wordspalavras, I definedefinir what I wanted.
366
922000
2000
Por outras palavras,
eu defino o que quero.
15:39
Let's say I want to sortordenar numbersnúmeros,
367
924000
2000
Imaginem que eu queria ordenar números,
15:41
as a simplesimples exampleexemplo I've donefeito it with.
368
926000
2000
como fiz num pequeno exemplo.
15:43
So find the programsprogramas that come closestmais próximo to sortingclassificação numbersnúmeros.
369
928000
3000
Encontre os programas que mais se aproximam
dos que ordenam números.
15:46
So of coursecurso, randomaleatória sequencessequências de of instructionsinstruções
370
931000
3000
Claro que sequências
aleatórias de instruções
15:49
are very unlikelyimprovável to sortordenar numbersnúmeros,
371
934000
2000
provavelmente não ordenarão números,
15:51
so noneNenhum of them will really do it.
372
936000
2000
portanto nenhuma fará isso.
15:53
But one of them, by lucksorte,
373
938000
2000
Mas uma dessas, por acaso,
15:55
maypode put two numbersnúmeros in the right orderordem.
374
940000
2000
poderá colocar dois números
na ordem correcta.
15:57
And I say, "ComputerComputador,
375
942000
2000
E eu digo,: "Computador, por favor,
15:59
would you please now take the 10 percentpor cento
376
944000
3000
seleccione os 10% das sequências
que fizeram o melhor trabalho.
16:02
of those randomaleatória sequencessequências de that did the bestmelhor jobtrabalho.
377
947000
2000
16:04
SaveSalvar those. KillMatar off the restdescansar.
378
949000
2000
Guarde essas. Elimine as restantes.
16:06
And now let's reproducereproduzir
379
951000
2000
Agora vamos reproduzir
16:08
the onesuns that sortedordenado numbersnúmeros the bestmelhor.
380
953000
2000
as que ordenaram os números
da forma mais correcta.
16:10
And let's reproducereproduzir them by a processprocesso of recombinationrecombinação
381
955000
3000
E vamos reproduzi-las através
de um processo de recombinação
16:13
analogousanáloga to sexsexo."
382
958000
2000
semelhante ao sexo."
16:15
Take two programsprogramas and they produceproduzir childrencrianças
383
960000
3000
Pega-se em dois programas
e eles produzem filhos
16:18
by exchangingtroca de theirdeles subroutinessub-rotinas,
384
963000
2000
pela troca de sub-rotinas.
16:20
and the childrencrianças inheritherdar the traitstraços of the subroutinessub-rotinas of the two programsprogramas.
385
965000
3000
Os filhos herdam as características
das sub-rotinas dos dois programas.
16:23
So I've got now a newNovo generationgeração of programsprogramas
386
968000
3000
Agora tenho uma nova geração de programas
16:26
that are producedproduzido by combinationscombinações
387
971000
2000
que são produzidos pelas combinações
16:28
of the programsprogramas that did a little bitpouco better jobtrabalho.
388
973000
2000
dos programas que fizeram
um trabalho melhor.
16:30
Say, "Please repeatrepetir that processprocesso."
389
975000
2000
Dizemos, "Repita o processo."
16:32
ScorePontuação them again.
390
977000
2000
Registe-os novamente.
16:34
IntroduceIntroduzir some mutationsmutações perhapspossivelmente.
391
979000
2000
Introduza talvez algumas mutações.
16:36
And try that again and do that for anotheroutro generationgeração.
392
981000
3000
Tente isso várias vezes
e faça outra geração.
16:39
Well everycada one of those generationsgerações just takes a fewpoucos millisecondsmilissegundos.
393
984000
3000
Cada uma dessas gerações
demora apenas alguns milissegundos.
16:42
So I can do the equivalentequivalente
394
987000
2000
Portanto posso fazer o equivalente
a milhões de anos de evolução
16:44
of millionsmilhões of yearsanos of evolutionevolução on that
395
989000
2000
16:46
withindentro the computercomputador in a fewpoucos minutesminutos,
396
991000
3000
dentro dum computador, em poucos minutos,
16:49
or in the complicatedcomplicado casescasos, in a fewpoucos hourshoras.
397
994000
2000
ou em casos complicados, em poucas horas.
16:51
At the endfim of that, I endfim up with programsprogramas
398
996000
3000
No fim disso, tenho um programa
16:54
that are absolutelyabsolutamente perfectperfeito at sortingclassificação numbersnúmeros.
399
999000
2000
que é perfeito na ordenação de números.
16:56
In factfacto, they are programsprogramas that are much more efficienteficiente
400
1001000
3000
De facto, são programas
muito mais eficazes
16:59
than programsprogramas I could have ever writtenescrito by handmão.
401
1004000
2000
do que os programas
que eu poderia ter feito pessoalmente.
17:01
Now if I look at those programsprogramas,
402
1006000
2000
Se eu olhar para esses programas,
17:03
I can't tell you how they work.
403
1008000
2000
não sei dizer como funcionam.
17:05
I've triedtentou looking at them and tellingdizendo you how they work.
404
1010000
2000
Já tentei olhar para eles
para explicar como funcionam.
17:07
They're obscureobscurecer, weirdesquisito programsprogramas.
405
1012000
2000
São programas estranhos e obscuros.
17:09
But they do the jobtrabalho.
406
1014000
2000
Mas fazem o trabalho.
17:11
And in factfacto, I know, I'm very confidentconfiante that they do the jobtrabalho
407
1016000
3000
De facto, confio que conseguem
fazer o trabalho
17:14
because they come from a linelinha
408
1019000
2000
porque são originários
17:16
of hundredscentenas of thousandsmilhares of programsprogramas that did the jobtrabalho.
409
1021000
2000
de centenas de milhares de programas
que fizeram o trabalho.
17:18
In factfacto, theirdeles life dependeddependia on doing the jobtrabalho.
410
1023000
3000
A vida deles dependia
de serem capazes de fazer o trabalho.
17:21
(LaughterRiso)
411
1026000
4000
(Risos)
17:26
I was ridingequitação in a 747
412
1031000
2000
Uma vez ia num 747
com o Marvin Minsky.
17:28
with MarvinMarvin MinskyMinsky onceuma vez,
413
1033000
2000
17:30
and he pullspuxa out this cardcartão and saysdiz, "Oh look. Look at this.
414
1035000
3000
Ele puxa dum cartão e diz:
"Olha. Olha para isto.
17:33
It saysdiz, 'This' Isto planeavião has hundredscentenas of thousandsmilhares of tinyminúsculo partspartes
415
1038000
4000
O cartão diz: 'Este avião tem centenas
de milhares de pequenas partes
17:37
workingtrabalhando togetherjuntos to make you a safeseguro flightvoar.'
416
1042000
4000
que trabalham em conjunto
para garantir um voo seguro'.
17:41
Doesn't that make you feel confidentconfiante?"
417
1046000
2000
Não se sente confiante?"
17:43
(LaughterRiso)
418
1048000
2000
(Risos)
17:45
In factfacto, we know that the engineeringEngenharia processprocesso doesn't work very well
419
1050000
3000
De facto, sabemos que os processos
de engenharia não funcionam muito bem
17:48
when it getsobtém complicatedcomplicado.
420
1053000
2000
quando as coisas se complicam.
17:50
So we're beginningcomeçando to dependdepender on computerscomputadores
421
1055000
2000
Estamos a começar a depender
muito dos computadores
17:52
to do a processprocesso that's very differentdiferente than engineeringEngenharia.
422
1057000
4000
para fazer um processo
muito diferente da engenharia.
17:56
And it letsvamos us produceproduzir things of much more complexitycomplexidade
423
1061000
3000
E permite-nos produzir coisas
com muito mais complexidade
17:59
than normalnormal engineeringEngenharia letsvamos us produceproduzir.
424
1064000
2000
que a engenharia normal nos permite.
18:01
And yetainda, we don't quitebastante understandCompreendo the optionsopções of it.
425
1066000
3000
Contudo, não percebemos bem as suas opções.
18:04
So in a sensesentido, it's gettingobtendo aheadadiante of us.
426
1069000
2000
Portanto, de certa foram,
está a ultrapassar-nos.
18:06
We're now usingusando those programsprogramas
427
1071000
2000
Estamos agora a usar esses programas
18:08
to make much fasterMais rápido computerscomputadores
428
1073000
2000
para fazer computadores ainda mais rápidos
18:10
so that we'llbem be ablecapaz to runcorre this processprocesso much fasterMais rápido.
429
1075000
3000
para podermos correr
este processo ainda mais depressa.
18:13
So it's feedingalimentação back on itselfem si.
430
1078000
3000
Portanto, está a alimentar-se
de si próprio.
18:16
The thing is becomingtornando-se fasterMais rápido
431
1081000
2000
A coisa está a tornar-se mais rápida
18:18
and that's why I think it seemsparece so confusingconfuso.
432
1083000
2000
e é por isso que a acho tão confusa.
18:20
Because all of these technologiestecnologias are feedingalimentação back on themselvessi mesmos.
433
1085000
3000
Porque todas estas tecnologias
estão a alimentar-se de si próprias.
18:23
We're takinglevando off.
434
1088000
2000
Estamos a levantar voo.
18:25
And what we are is we're at a pointponto in time
435
1090000
3000
E estamos agora num momento análogo
18:28
whichqual is analogousanáloga to when single-celledunicelular organismsorganismos
436
1093000
2000
ao tempo em que os organismos unicelulares
18:30
were turninggiro into multi-celledmulticelulares organismsorganismos.
437
1095000
3000
se estavam a transformar
em organismos multi-celulares.
18:33
So we're the amoebasamebas
438
1098000
2000
Somos as amoebas
18:35
and we can't quitebastante figurefigura out what the hellinferno this thing is we're creatingcriando.
439
1100000
3000
e não sabemos bem
que raio é isto que estamos a criar.
18:38
We're right at that pointponto of transitiontransição.
440
1103000
2000
Estamos mesmo nesse ponto de transição.
18:40
But I think that there really is something comingchegando alongao longo after us.
441
1105000
3000
Mas acho que existe algo que virá a seguir.
18:43
I think it's very haughtyaltivo of us
442
1108000
2000
Penso que é arrogante da nossa parte
18:45
to think that we're the endfim productprodutos of evolutionevolução.
443
1110000
3000
pensarmos que somos
o produto final da evolução.
18:48
And I think all of us here
444
1113000
2000
Penso que todos nós
estamos a ajudar a produzir
18:50
are a partparte of producingproduzindo
445
1115000
2000
18:52
whatevertanto faz that nextPróximo thing is.
446
1117000
2000
o quer que seja que aí vem.
18:54
So lunchalmoço is comingchegando alongao longo,
447
1119000
2000
O que aí vem é o almoço,
18:56
and I think I will stop at that pointponto,
448
1121000
2000
e penso que vou parar neste ponto,
18:58
before I get selectedselecionado out.
449
1123000
2000
antes que corram comigo.
19:00
(ApplauseAplausos)
450
1125000
3000
(Aplausos)
Translated by Samuel Almeida
Reviewed by Margarida Ferreira

▲Back to top

ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com