ABOUT THE SPEAKER
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.

Why you should listen

Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:

Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.

My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.

My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.

More profile about the speaker
Kwabena Boahen | Speaker | TED.com
TEDGlobal 2007

Kwabena Boahen: A computer that works like the brain

Kwabena Boahen über einen Computer, der wie das Gehirn funktioniert

Filmed:
718,375 views

Forscher Kwabena Boahen sucht nach Möglichkeiten, die rechnerischen Höchstleistungen des Gehirns in Chipform nachzuahmen, denn die chaotischen, redundanten Prozesse in unseren Köpfen ermöglichen kleine, leichte, superschnelle Computer.
- Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio

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

00:18
I got my first computerComputer when I was a teenagerTeenager growingwachsend up in AccraAccra,
0
0
5000
Ich habe meinen ersten Computer als Teenager in Accra bekommen
00:23
and it was a really coolcool deviceGerät.
1
5000
3000
und es war ein echt tolles Gerät.
00:26
You could playspielen gamesSpiele with it. You could programProgramm it in BASICBASIC.
2
8000
5000
Man konnte Spiele damit spielen und in BASIC programmieren.
00:31
And I was fascinatedfasziniert.
3
13000
2000
Ich war fasziniert davon.
00:33
So I wentging into the libraryBibliothek to figureZahl out how did this thing work.
4
15000
6000
Also ging ich in die Bücherei, um herauszufinden, wie dieses Ding funktionierte.
00:39
I readlesen about how the CPUCPU is constantlyständig shufflingzufällige Wiedergabe dataDaten back and forthher
5
21000
5000
Ich las, dass die CPU ständig Daten hin und her schiebt
00:44
betweenzwischen the memoryErinnerung, the RAMRAM and the ALUALU,
6
26000
4000
zwischen Speicher, RAM und der ALU,
00:48
the arithmeticArithmetik and logicLogik unitEinheit.
7
30000
2000
der arithmetisch-logischen Einheit.
00:50
And I thought to myselfmich selber, this CPUCPU really has to work like crazyverrückt
8
32000
4000
Und ich dachte mir, diese CPU muss wirklich wie verrückt arbeiten,
00:54
just to keep all this dataDaten movingbewegend throughdurch the systemSystem.
9
36000
4000
damit die ganzen Daten ungehindert fließen können.
00:58
But nobodyniemand was really worriedbesorgt about this.
10
40000
3000
Aber keiner machte sich darüber wirklich Gedanken.
01:01
When computersComputer were first introducedeingeführt,
11
43000
2000
Als die ersten Computer auf den Markt kamen,
01:03
they were said to be a millionMillion timesmal fasterschneller than neuronsNeuronen.
12
45000
3000
wurde gesagt, sie seien eine Million Mal schneller als Neuronen.
01:06
People were really excitedaufgeregt. They thought they would soonbald outstripden Rang ablaufen
13
48000
5000
Die Menschen waren begeistert. Sie dachten, es würde nicht lange dauern,
01:11
the capacityKapazität of the brainGehirn.
14
53000
3000
bis Computer die Kapazität des Gehirns übertreffen würden.
01:14
This is a quoteZitat, actuallytatsächlich, from AlanAlan TuringTuring:
15
56000
3000
Hier ist ein Zitat von Alan Turing:
01:17
"In 30 yearsJahre, it will be as easyeinfach to askFragen a computerComputer a questionFrage
16
59000
4000
"In 30 Jahren wird es genauso einfach sein, einem Computer eine Frage zu stellen
01:21
as to askFragen a personPerson."
17
63000
2000
wie einem Menschen."
01:23
This was in 1946. And now, in 2007, it's still not truewahr.
18
65000
7000
Das stammt von 1946. Und heute, 2007, trifft es immer noch nicht zu.
01:30
And so, the questionFrage is, why aren'tsind nicht we really seeingSehen
19
72000
4000
Die Frage ist, warum sehen wir die Fähigkeiten,
01:34
this kindArt of powerLeistung in computersComputer that we see in the brainGehirn?
20
76000
4000
die das Gehirn hat, nicht auch in Computern?
01:38
What people didn't realizerealisieren, and I'm just beginningAnfang to realizerealisieren right now,
21
80000
4000
Was die Menschen aber nicht verstehen und erst jetzt beginnen zu verstehen,
01:42
is that we payZahlen a hugeenorm pricePreis for the speedGeschwindigkeit
22
84000
2000
ist, dass wir einen gewaltigen Preis zahlen für die Geschwindigkeit,
01:44
that we claimAnspruch is a biggroß advantageVorteil of these computersComputer.
23
86000
4000
die doch ein großer Vorteil dieser Computer sein soll.
01:48
Let's take a look at some numbersNummern.
24
90000
2000
Sehen wir uns mal einige Zahlen an.
01:50
This is BlueBlau GeneGen, the fastestSchnellste computerComputer in the worldWelt.
25
92000
4000
Dies hier ist Blue Gene, der schnellste Rechner der Welt.
01:54
It's got 120,000 processorsProzessoren; they can basicallyGrundsätzlich gilt processverarbeiten
26
96000
5000
Er hat 120.000 Prozessoren, die 10 Billiarden Bits
01:59
10 quadrillionQuadrillion bitsBits of informationInformation perpro secondzweite.
27
101000
3000
an Informationen pro Sekunde verarbeiten können.
02:02
That's 10 to the sixteenthsechzehnten. And they consumeverbrauchen one and a halfHälfte megawattsMegawatt of powerLeistung.
28
104000
7000
Das ist 10 hoch 16. Und sie verbrauchen anderthalb Megawatt Strom.
02:09
So that would be really great, if you could addhinzufügen that
29
111000
3000
Wäre das nicht großartig, wenn man das
02:12
to the productionProduktion capacityKapazität in TanzaniaTansania.
30
114000
2000
zur tansanischen Stromproduktion addieren könnte.
02:14
It would really boostBoost the economyWirtschaft.
31
116000
2000
Das würde die Wirtschaft richtig ankurbeln.
02:16
Just to go back to the StatesStaaten,
32
118000
4000
Wenn wir zurück in die USA schauen,
02:20
if you translateÜbersetzen the amountMenge of powerLeistung or electricityElektrizität
33
122000
2000
entspricht die Menge Strom,
02:22
this computerComputer usesVerwendungen to the amountMenge of householdsHaushalte in the StatesStaaten,
34
124000
3000
die dieser Computer vebraucht,
02:25
you get 1,200 householdsHaushalte in the U.S.
35
127000
4000
1.200 US-amerikanischen Haushalten.
02:29
That's how much powerLeistung this computerComputer usesVerwendungen.
36
131000
2000
So viel Strom verbraucht dieser Computer.
02:31
Now, let's comparevergleichen this with the brainGehirn.
37
133000
3000
Jetzt vergleichen wir das doch mal mit dem Gehirn.
02:34
This is a pictureBild of, actuallytatsächlich RoryRory Sayres'Sayres girlfriend'sFreundin brainGehirn.
38
136000
5000
Dies ist ein Bild vom Gehirn - von Rory Sayres' Freundin übrigens.
02:39
RoryRory is a graduateAbsolvent studentSchüler at StanfordStanford.
39
141000
2000
Rory ist Student in Stanford.
02:41
He studiesStudien the brainGehirn usingmit MRIMRI, and he claimsAnsprüche that
40
143000
4000
Er erforscht das Gehirn mittels MRI und er behauptet,
02:45
this is the mostdie meisten beautifulschön brainGehirn that he has ever scannedgescannt.
41
147000
3000
dies sei das schönste Gehirn, das er jemals gescannt habe.
02:48
(LaughterLachen)
42
150000
2000
(Gelächter)
02:50
So that's truewahr love, right there.
43
152000
3000
Das ist wahre Liebe.
02:53
Now, how much computationBerechnung does the brainGehirn do?
44
155000
3000
Also, wieviel Rechenkraft besitzt denn das Gehirn?
02:56
I estimateschätzen 10 to the 16 bitsBits perpro secondzweite,
45
158000
2000
Meine Schätzung liegt bei 10 hoch 16 Bits pro Sekunde,
02:58
whichwelche is actuallytatsächlich about very similarähnlich to what BlueBlau GeneGen does.
46
160000
4000
was sehr nah an dem liegt, was Blue Gene kann.
03:02
So that's the questionFrage. The questionFrage is, how much --
47
164000
2000
Und da lautet doch die Frage:
03:04
they are doing a similarähnlich amountMenge of processingwird bearbeitet, similarähnlich amountMenge of dataDaten --
48
166000
3000
Wenn sie ähnlich viele Berechnungen durchführen, ähnlich viele Daten verarbeiten,
03:07
the questionFrage is how much energyEnergie or electricityElektrizität does the brainGehirn use?
49
169000
5000
wieviel Energie oder Elektrizität braucht dann das Gehirn dafür?
03:12
And it's actuallytatsächlich as much as your laptopLaptop computerComputer:
50
174000
3000
Und es ist erstaunlicherweise soviel wie Ihr Laptop:
03:15
it's just 10 wattsWatt.
51
177000
2000
Nur 10 Watt.
03:17
So what we are doing right now with computersComputer
52
179000
3000
Wofür Computer momentan dieselbe Energie
03:20
with the energyEnergie consumedverbraucht by 1,200 housesHäuser,
53
182000
3000
wie 1.200 Haushalte brauchen,
03:23
the brainGehirn is doing with the energyEnergie consumedverbraucht by your laptopLaptop.
54
185000
5000
das schafft das Gehirn mit dem Energieverbrauch eines Laptop.
03:28
So the questionFrage is, how is the brainGehirn ablefähig to achieveleisten this kindArt of efficiencyEffizienz?
55
190000
3000
Da fragt man sich, wie erreicht das Gehirn eine solche Effizienz?
03:31
And let me just summarizezusammenfassen. So the bottomBoden lineLinie:
56
193000
2000
Lassen Sie mich das nochmal zusammenfassen:
03:33
the brainGehirn processesProzesse informationInformation usingmit 100,000 timesmal lessWeniger energyEnergie
57
195000
4000
Das Gehirn verarbeitet Informationen mit 100.000 Mal weniger Energie,
03:37
than we do right now with this computerComputer technologyTechnologie that we have.
58
199000
4000
als wir das momentan mit unserer Computertechnologie können.
03:41
How is the brainGehirn ablefähig to do this?
59
203000
2000
Wie schafft das Gehirn das?
03:43
Let's just take a look about how the brainGehirn worksWerke,
60
205000
3000
Sehen wir uns dazu mal an, wie das Gehirn funktioniert,
03:46
and then I'll comparevergleichen that with how computersComputer work.
61
208000
4000
und im Vergleich dazu, wie Computer funktionieren.
03:50
So, this clipKlammer is from the PBSPBS seriesSerie, "The SecretGeheimnis Life of the BrainGehirn."
62
212000
4000
Hier sehen wir einen Clip aus der Serie "Das geheime Leben des Gehirns".
03:54
It showszeigt an you these cellsZellen that processverarbeiten informationInformation.
63
216000
3000
Er zeigt diese Zellen, die Informationen verarbeiten.
03:57
They are callednamens neuronsNeuronen.
64
219000
1000
Man nennt sie Neuronen.
03:58
They sendsenden little pulsesImpulse of electricityElektrizität down theirihr processesProzesse to eachjede einzelne other,
65
220000
6000
Sie senden einander kleine elektrische Impulse entlang ihrer Bahnen
04:04
and where they contactKontakt eachjede einzelne other, those little pulsesImpulse
66
226000
2000
und an Berührungspunkten können diese Impulse
04:06
of electricityElektrizität can jumpspringen from one neuronNeuron to the other.
67
228000
2000
von einem Neuron zum anderen überspringen.
04:08
That processverarbeiten is callednamens a synapseSynapse.
68
230000
3000
Dieser Prozess heißt Synapse.
04:11
You've got this hugeenorm networkNetzwerk of cellsZellen interactinginteragierend with eachjede einzelne other --
69
233000
2000
Es gibt also dieses riesige Netzwerk
04:13
about 100 millionMillion of them,
70
235000
2000
interagierender Zellen, ungefähr 100 Millionen davon,
04:15
sendingSenden about 10 quadrillionQuadrillion of these pulsesImpulse around everyjeden secondzweite.
71
237000
4000
die 10 Billiarden dieser Pulse pro Sekunde herumsenden.
04:19
And that's basicallyGrundsätzlich gilt what's going on in your brainGehirn right now as you're watchingAufpassen this.
72
241000
6000
Und genau das passiert auch gerade in Ihrem Gehirn, während Sie sich dies angucken.
04:25
How does that comparevergleichen with the way computersComputer work?
73
247000
2000
Wie funktionieren dagegen Computer?
04:27
In the computerComputer, you have all the dataDaten
74
249000
2000
In einem Computer fließen alle Daten
04:29
going throughdurch the centralzentral processingwird bearbeitet unitEinheit,
75
251000
2000
durch die CPU, den Hauptprozessor,
04:31
and any pieceStück of dataDaten basicallyGrundsätzlich gilt has to go throughdurch that bottleneckEngpass,
76
253000
3000
und alle Daten müssen durch diesen Flaschenhals hindurch.
04:34
whereaswohingegen in the brainGehirn, what you have is these neuronsNeuronen,
77
256000
4000
Wohingegen die Daten im Gehirn
04:38
and the dataDaten just really flowsFlüsse throughdurch a networkNetzwerk of connectionsVerbindungen
78
260000
4000
einfach durch das Netzwerk der Neuronen fließen.
04:42
amongunter the neuronsNeuronen. There's no bottleneckEngpass here.
79
264000
2000
Es gibt hier keinen Engpass.
04:44
It's really a networkNetzwerk in the literalLiteral senseSinn of the wordWort.
80
266000
4000
Es handelt sich wortwörtlich um ein Netzwerk.
04:48
The netNetz is doing the work in the brainGehirn.
81
270000
4000
Die Berechnungen im Gehirn sind das Werk des Netzes.
04:52
If you just look at these two picturesBilder,
82
274000
2000
Wenn man sich die beiden Bilder anguckt,
04:54
these kindArt of wordsWörter popPop into your mindVerstand.
83
276000
2000
dann kommen einem Begriffe in den Sinn wie:
04:56
This is serialserielle and it's rigidstarre -- it's like carsAutos on a freewayAutobahn,
84
278000
4000
Das eine läuft starr und nach der Reihenfolge, wie Verkehr auf der Autobahn
05:00
everything has to happengeschehen in lockstepLockstep --
85
282000
3000
- alles muss im Gleichschritt passieren.
05:03
whereaswohingegen this is parallelparallel and it's fluidFlüssigkeit.
86
285000
2000
Während hier der Prozess parallel und flüssig abläuft.
05:05
InformationInformationen processingwird bearbeitet is very dynamicdynamisch and adaptiveadaptiv.
87
287000
3000
Die Informationsverarbeitung ist höchst dynamisch und anpassungsfähig.
05:08
So I'm not the first to figureZahl this out. This is a quoteZitat from BrianBrian EnoEno:
88
290000
4000
Doch ich bin nicht der erste, der das erkannt hat. Hier ist ein Zitat von Brian Eno:
05:12
"the problemProblem with computersComputer is that there is not enoughgenug AfricaAfrika in them."
89
294000
4000
"Computer haben das Problem, dass in ihnen nicht genug Afrika steckt."
05:16
(LaughterLachen)
90
298000
6000
(Gelächter)
05:22
BrianBrian actuallytatsächlich said this in 1995.
91
304000
3000
Brian hat das schon 1995 gesagt.
05:25
And nobodyniemand was listeningHören then,
92
307000
3000
Keiner hat damals zugehört,
05:28
but now people are beginningAnfang to listen
93
310000
2000
doch jetzt beginnen die Leute zuzuhören,
05:30
because there's a pressingdrücken, technologicaltechnologisch problemProblem that we faceGesicht.
94
312000
5000
weil wir es mit einem drängenden technologischen Problem zu tun haben.
05:35
And I'll just take you throughdurch that a little bitBit in the nextNächster fewwenige slidesFolien.
95
317000
5000
Auf den nächsten paar Folien werde ich Ihnen das kurz erläutern.
05:40
This is -- it's actuallytatsächlich really this remarkablebemerkenswert convergenceKonvergenz
96
322000
4000
Es gibt eine bemerkenswerte Annäherung
05:44
betweenzwischen the devicesGeräte that we use to computeberechnen in computersComputer,
97
326000
5000
zwischen den Bauteilen, die wir in Computern benutzen,
05:49
and the devicesGeräte that our brainsGehirne use to computeberechnen.
98
331000
4000
und den Bauteilen, die in unseren Gehirnen zum Einsatz kommen.
05:53
The devicesGeräte that computersComputer use are what's callednamens a transistorTransistor.
99
335000
4000
Die Bauteile, die in Computern eingesetzt werden, heißen Transistoren.
05:57
This electrodeElektrode here, callednamens the gateTor, controlsKontrollen the flowfließen of currentStrom
100
339000
4000
Diese Elektrode hier, Gate genannt, kontrolliert den Stromfluss
06:01
from the sourceQuelle to the drainAbfluss -- these two electrodesElektroden.
101
343000
3000
von der Quelle (Source) zum Abfluss (Drain), diesen zwei Elektroden.
06:04
And that currentStrom, electricalelektrisch currentStrom,
102
346000
2000
Dieser Stromfluss, elektrischer Strom,
06:06
is carriedgetragen by electronsElektronen, just like in your houseHaus and so on.
103
348000
6000
wird von Elektronen übertragen, genau wie z.B. in Ihrem Haus.
06:12
And what you have here is, when you actuallytatsächlich turnWende on the gateTor,
104
354000
5000
Wenn man jetzt das Gate einschaltet,
06:17
you get an increaseerhöhen, ansteigen in the amountMenge of currentStrom, and you get a steadystetig flowfließen of currentStrom.
105
359000
4000
kann Strom das Gate passieren und es entsteht ein stetiger Stromfluss.
06:21
And when you turnWende off the gateTor, there's no currentStrom flowingfließend throughdurch the deviceGerät.
106
363000
4000
Wenn man das Gate ausschaltet, fließt kein Strom mehr durch das Teil.
06:25
Your computerComputer usesVerwendungen this presenceGegenwart of currentStrom to representvertreten a one,
107
367000
5000
Ihr Computer interpretiert einen vorhandenen Stromfluss als eine Eins
06:30
and the absenceAbwesenheit of currentStrom to representvertreten a zeroNull.
108
372000
4000
und die Abwesenheit eines Stromflusses als Null.
06:34
Now, what's happeningHappening is that as transistorsTransistoren are gettingbekommen smallerkleiner and smallerkleiner and smallerkleiner,
109
376000
6000
Weil Transistoren jedoch kleiner und kleiner und kleiner werden, sehen wir zunehmend,
06:40
they no longerlänger behavesich verhalten like this.
110
382000
2000
dass sie sich nicht mehr so verhalten.
06:42
In factTatsache, they are startingbeginnend to behavesich verhalten like the deviceGerät that neuronsNeuronen use to computeberechnen,
111
384000
5000
Tatsächlich beginnen sie, sich mehr wie das Bauteil in Neuronen zu verhalten,
06:47
whichwelche is callednamens an ionIon channelKanal.
112
389000
2000
das Ionenkanal genannt wird.
06:49
And this is a little proteinEiweiß moleculeMolekül.
113
391000
2000
Es handelt sich dabei um ein kleines Eiweißmolekül.
06:51
I mean, neuronsNeuronen have thousandsTausende of these.
114
393000
4000
Neuronen haben tausende davon.
06:55
And it sitssitzt in the membraneMembran of the cellZelle and it's got a porePore in it.
115
397000
4000
Es sitzt sich in der Zellmembran und hat eine kleine Öffnung, ein Pore.
06:59
And these are individualPerson potassiumKalium ionsIonen
116
401000
3000
Und hier haben wir einzelne Kaliumionen,
07:02
that are flowingfließend throughdurch that porePore.
117
404000
2000
die durch diese Pore fließen.
07:04
Now, this porePore can openöffnen and closeschließen.
118
406000
2000
Nun kann sich diese Pore öffnen und schließen.
07:06
But, when it's openöffnen, because these ionsIonen have to lineLinie up
119
408000
5000
Aber wenn sie offen ist, müssen sich die Ionen einreihen
07:11
and flowfließen throughdurch, one at a time, you get a kindArt of sporadicsporadische, not steadystetig --
120
413000
5000
und nacheinander hindurchfließen, mit der Folge, dass kein stetiger
07:16
it's a sporadicsporadische flowfließen of currentStrom.
121
418000
3000
sondern ein sporadischer Stromfluss entsteht.
07:19
And even when you closeschließen the porePore -- whichwelche neuronsNeuronen can do,
122
421000
3000
Und selbst wenn man die Pore schließt - was Neuronen tun können,
07:22
they can openöffnen and closeschließen these poresPoren to generategenerieren electricalelektrisch activityAktivität --
123
424000
5000
sie können diese Poren öffnen und schließen, um elektrische Aktivität zu erzeugen, -
07:27
even when it's closedabgeschlossen, because these ionsIonen are so smallklein,
124
429000
3000
selbst wenn sie geschlossen ist, können die winzigen Ionen
07:30
they can actuallytatsächlich sneakschleichen throughdurch, a fewwenige can sneakschleichen throughdurch at a time.
125
432000
3000
sich ab und zu durchmogeln. Einige von ihnen schaffen das immer.
07:33
So, what you have is that when the porePore is openöffnen,
126
435000
3000
Wenn die Pore geöffnet ist,
07:36
you get some currentStrom sometimesmanchmal.
127
438000
2000
fließt manchmal Strom.
07:38
These are your onesEinsen, but you've got a fewwenige zerosNullen throwngeworfen in.
128
440000
3000
Dies sind die Einsen, aber mit ein paar Nullen drin.
07:41
And when it's closedabgeschlossen, you have a zeroNull,
129
443000
4000
Und wenn sie geschlossen ist, ergeben sich Nullen
07:45
but you have a fewwenige onesEinsen throwngeworfen in.
130
447000
3000
aber mit einigen Einsen dabei.
07:48
Now, this is startingbeginnend to happengeschehen in transistorsTransistoren.
131
450000
3000
Dasselbe passiert jetzt auch in Transistoren.
07:51
And the reasonGrund why that's happeningHappening is that, right now, in 2007 --
132
453000
5000
Der Grund dafür ist, dass unsere gegenwärtige Technik, Stand 2007,
07:56
the technologyTechnologie that we are usingmit -- a transistorTransistor is biggroß enoughgenug
133
458000
4000
Transistoren erzeugt, die groß genug sind,
08:00
that severalmehrere electronsElektronen can flowfließen throughdurch the channelKanal simultaneouslygleichzeitig, sideSeite by sideSeite.
134
462000
5000
dass mehrere Elektronen gleichzeitig nebeneinander passieren können.
08:05
In factTatsache, there's about 12 electronsElektronen can all be flowingfließend this way.
135
467000
4000
Ungefähr 12 Elektronen passen da gleichzeitig durch, um genau zu sein.
08:09
And that meansmeint that a transistorTransistor correspondsentspricht
136
471000
2000
So kann man sagen, dass ein Transistor
08:11
to about 12 ionIon channelsKanäle in parallelparallel.
137
473000
3000
12 parallel geschalteten Ionenkanälen entspricht.
08:14
Now, in a fewwenige yearsJahre time, by 2015, we will shrinkschrumpfen transistorsTransistoren so much.
138
476000
5000
Doch in ein paar Jahren, zirka 2015, werden wir Transistoren so geschrumpft haben.
08:19
This is what IntelIntel does to keep addingHinzufügen more coresKerne ontoauf zu the chipChip.
139
481000
5000
Intel macht das, um mehr Kerne auf einen Chip zu kriegen
08:24
Or your memoryErinnerung sticksStöcke that you have now can carrytragen one gigabyteGigabyte
140
486000
3000
oder um Speichersticks zu erweitern, auf die jetzt 1 Gigabyte Daten passen,
08:27
of stuffSachen on them -- before, it was 256.
141
489000
2000
und früher waren es 256 Megabyte.
08:29
TransistorsTransistoren are gettingbekommen smallerkleiner to allowzulassen this to happengeschehen,
142
491000
3000
Transistoren werden kleiner, um das zu ermöglichen
08:32
and technologyTechnologie has really benefittedprofitiert from that.
143
494000
3000
und das hat unsere Technologie wesentlich besser gemacht.
08:35
But what's happeningHappening now is that in 2015, the transistorTransistor is going to becomewerden so smallklein,
144
497000
5000
Aber die Folge ist, dass der Transistor 2015 so klein geworden sein wird,
08:40
that it correspondsentspricht to only one electronElektron at a time
145
502000
3000
dass nur noch ein Elektron auf einmal
08:43
can flowfließen throughdurch that channelKanal,
146
505000
2000
durch den Kanal fließen kann,
08:45
and that correspondsentspricht to a singleSingle ionIon channelKanal.
147
507000
2000
was einem einzelnen Ionenkanal entspricht.
08:47
And you startAnfang havingmit the samegleich kindArt of trafficder Verkehr jamsKonfitüren that you have in the ionIon channelKanal.
148
509000
4000
Dadurch ergeben sich vermehrt dieselben Staus wie im Ionenkanal.
08:51
The currentStrom will turnWende on and off at randomzufällig,
149
513000
3000
Der Stromfluss wird immer wieder unterbrochen,
08:54
even when it's supposedsoll to be on.
150
516000
2000
selbst wenn er an sein soll,
08:56
And that meansmeint your computerComputer is going to get
151
518000
2000
was bedeutet, dass Ihr Computer
08:58
its onesEinsen and zerosNullen mixedgemischt up, and that's going to crashAbsturz your machineMaschine.
152
520000
4000
seine Nullen und Einsen durcheinander bekommt und die Maschine in Folge abstürzt.
09:02
So, we are at the stageStufe where we
153
524000
4000
Wir sind damit an einem Punkt,
09:06
don't really know how to computeberechnen with these kindsArten of devicesGeräte.
154
528000
3000
wo wir nicht wirklich wissen, wie wir mit so etwas noch rechnen sollen.
09:09
And the only kindArt of thing -- the only thing we know right now
155
531000
3000
Das einzige Vorbild, das wir derzeit haben,
09:12
that can computeberechnen with these kindsArten of devicesGeräte are the brainGehirn.
156
534000
3000
das Berechnungen unter diesen Umständen durchführen kann, ist das Gehirn.
09:15
OK, so a computerComputer picksTipps a specificspezifisch itemArtikel of dataDaten from memoryErinnerung,
157
537000
4000
Okay, also ein Computer holt bestimmte Daten aus dem Speicher,
09:19
it sendssendet it into the processorProzessor or the ALUALU,
158
541000
3000
und sendet sie an den Hauptprozessor oder die ALU,
09:22
and then it putslegt the resultErgebnis back into memoryErinnerung.
159
544000
2000
und schickt das Resultat zurück in den Speicher.
09:24
That's the redrot pathPfad that's highlightedhervorgehoben.
160
546000
2000
Das ist der rot gekennzeichnete Pfad.
09:26
The way brainsGehirne work, I told you all, you have got all these neuronsNeuronen.
161
548000
4000
In Gehirnen dagegen gibt es all diese Neuronen.
09:30
And the way they representvertreten informationInformation is
162
552000
2000
Und sie stellen Daten dar,
09:32
they breakUnterbrechung up that dataDaten into little piecesStücke
163
554000
2000
indem sie diese Daten in kleine Teile aufsplitten,
09:34
that are representedvertreten by pulsesImpulse and differentanders neuronsNeuronen.
164
556000
3000
die durch Pulse und unterschiedliche Neuronen repräsentiert werden.
09:37
So you have all these piecesStücke of dataDaten
165
559000
2000
Es gibt also all diese Datenteile,
09:39
distributedverteilt throughoutwährend the networkNetzwerk.
166
561000
2000
über das ganze Netzwerk verteilt.
09:41
And then the way that you processverarbeiten that dataDaten to get a resultErgebnis
167
563000
3000
Um diese zu verarbeiten und ein Resultat zu erhalten,
09:44
is that you translateÜbersetzen this patternMuster of activityAktivität into a newneu patternMuster of activityAktivität,
168
566000
4000
wird das Aktivitätsmuster der Neuronen in ein neues Muster übersetzt,
09:48
just by it flowingfließend throughdurch the networkNetzwerk.
169
570000
3000
einfach indem es durch das Netzwerk fließt.
09:51
So you setSet up these connectionsVerbindungen
170
573000
2000
Verbindungen werden so hergestellt,
09:53
sucheine solche that the inputEingang patternMuster just flowsFlüsse
171
575000
3000
dass das Eingangsmuster abläuft
09:56
and generateserzeugt the outputAusgabe patternMuster.
172
578000
2000
und dabei das Ausgabemuster erzeugt wird.
09:58
What you see here is that there's these redundantredundant connectionsVerbindungen.
173
580000
4000
Hier sieht man, dass es redundante Verbindungen gibt.
10:02
So if this pieceStück of dataDaten or this pieceStück of the dataDaten getsbekommt clobberedverprügelt,
174
584000
4000
Wenn dieses Datenfragment oder dieses da zu Bruch geht,
10:06
it doesn't showShow up over here, these two piecesStücke can activateAktivieren the missingfehlt partTeil
175
588000
5000
und keine Ausgabe erzeugt, können diese zwei Teile das fehlende Stück aktivieren
10:11
with these redundantredundant connectionsVerbindungen.
176
593000
2000
durch diese mehrfachen Verbindungen.
10:13
So even when you go to these crappybeschissen devicesGeräte
177
595000
2000
Trotz dieser fehleranfälligen Bauteile,
10:15
where sometimesmanchmal you want a one and you get a zeroNull, and it doesn't showShow up,
178
597000
3000
die manchmal statt einer Eins eine Null erzeugen,
10:18
there's redundancyRedundanz in the networkNetzwerk
179
600000
2000
gibt es Mehrfachverbindungen im Netzwerk,
10:20
that can actuallytatsächlich recovererholen the missingfehlt informationInformation.
180
602000
3000
die fehlende Informationen ersetzen können.
10:23
It makesmacht the brainGehirn inherentlyvon Natur aus robustrobust.
181
605000
3000
Das macht das Gehirn von Grund auf stabil.
10:26
What you have here is a systemSystem where you storeGeschäft dataDaten locallyörtlich.
182
608000
3000
Hier haben wir ein System, das Daten an einem Ort speichert.
10:29
And it's brittlespröde, because eachjede einzelne of these stepsSchritte has to be flawlesseinwandfreie,
183
611000
4000
Und es ist anfällig, denn jeder Schritt muss fehlerfrei ablaufen,
10:33
otherwiseAndernfalls you loseverlieren that dataDaten, whereaswohingegen in the brainGehirn, you have a systemSystem
184
615000
3000
sonst gehen die Daten verloren. Das System des Gehirns dagegen
10:36
that storesShops dataDaten in a distributedverteilt way, and it's robustrobust.
185
618000
4000
speichert Daten dezentral und ist fehlertolerant.
10:40
What I want to basicallyGrundsätzlich gilt talk about is my dreamTraum,
186
622000
4000
Worüber ich nun sprechen möchte, ist mein Traum, nämlich
10:44
whichwelche is to buildbauen a computerComputer that worksWerke like the brainGehirn.
187
626000
3000
einen Computer zu bauen, der wie ein Gehirn funktioniert.
10:47
This is something that we'vewir haben been workingArbeiten on for the last couplePaar of yearsJahre.
188
629000
4000
Daran haben wir die vergangenen paar Jahre gearbeitet.
10:51
And I'm going to showShow you a systemSystem that we designedentworfen
189
633000
3000
Und ich zeige ihnen jetzt ein System, das wir entwickelt haben,
10:54
to modelModell- the retinaRetina,
190
636000
3000
das die Netzhaut nachbildet,
10:57
whichwelche is a pieceStück of brainGehirn that linesLinien the insideinnen of your eyeballAugapfel.
191
639000
5000
einen Teil des Gehirns, der die Innenseite Ihres Augapfels bedeckt.
11:02
We didn't do this by actuallytatsächlich writingSchreiben codeCode, like you do in a computerComputer.
192
644000
6000
Wir haben dafür keinen Programmiercode geschrieben wie beim Computer.
11:08
In factTatsache, the processingwird bearbeitet that happensdas passiert
193
650000
3000
Es ist nämlich so, dass die Berechnungen
11:11
in that little pieceStück of brainGehirn is very similarähnlich
194
653000
2000
in diesem kleinen Hirnteil sehr ähnlich
11:13
to the kindArt of processingwird bearbeitet that computersComputer
195
655000
1000
wie bei der Verarbeitung von Videos,
11:14
do when they streamStrom videoVideo over the InternetInternet.
196
656000
4000
die über das Internet gestreamt werden sollen.
11:18
They want to compressKompresse the informationInformation --
197
660000
1000
Die Informationen werden komprimiert.
11:19
they just want to sendsenden the changesÄnderungen, what's newneu in the imageBild, and so on --
198
661000
4000
Es sollen nur die Veränderungen von einem Bild zum anderen gesendet werden.
11:23
and that is how your eyeballAugapfel
199
665000
3000
So schafft es das Auge,
11:26
is ablefähig to squeezedrücken all that informationInformation down to your opticOptik nerveNerv,
200
668000
3000
die ganzen Informationen durch den Sehnerv zu quetschen,
11:29
to sendsenden to the restsich ausruhen of the brainGehirn.
201
671000
2000
und an den Rest des Hirns zu senden.
11:31
InsteadStattdessen of doing this in softwareSoftware, or doing those kindsArten of algorithmsAlgorithmen,
202
673000
3000
Statt das als Software mit Algorithmen umzusetzen,
11:34
we wentging and talkedsprach to neurobiologistsNeurobiologen
203
676000
3000
ließen wir uns von Neurobiologen beraten,
11:37
who have actuallytatsächlich reverseumkehren engineeredentwickelt that pieceStück of brainGehirn that's callednamens the retinaRetina.
204
679000
4000
die die Netzhaut bereits analysiert und nachgebaut haben.
11:41
And they figuredabgebildet out all the differentanders cellsZellen,
205
683000
2000
Sie haben die Zelltypen zugeordnet,
11:43
and they figuredabgebildet out the networkNetzwerk, and we just tookdauerte that networkNetzwerk
206
685000
3000
das Netzwerk verstanden und wir haben dieses Netzwerk genommen
11:46
and we used it as the blueprintBauplan for the designEntwurf of a siliconSilizium chipChip.
207
688000
4000
und es als Bauplan für einen Mikrochip genommen.
11:50
So now the neuronsNeuronen are representedvertreten by little nodesKnoten or circuitsSchaltungen on the chipChip,
208
692000
6000
Die Neuronen werden von Schaltkreise auf dem Chip repräsentiert
11:56
and the connectionsVerbindungen amongunter the neuronsNeuronen are representedvertreten, actuallytatsächlich modeledmodelliert by transistorsTransistoren.
209
698000
5000
und die Verbindungen zwischen Neuronen bestehen aus Transistoren.
12:01
And these transistorsTransistoren are behavingVerhalten essentiallyim Wesentlichen
210
703000
2000
Die Transistoren verhalten sich im Grunde
12:03
just like ionIon channelsKanäle behavesich verhalten in the brainGehirn.
211
705000
3000
genau wie die Ionenkanäle im Gehirn.
12:06
It will give you the samegleich kindArt of robustrobust architecturedie Architektur that I describedbeschrieben.
212
708000
5000
So ergibt sich derselbe fehlertolerante Aufbau wie vorhin.
12:11
Here is actuallytatsächlich what our artificialkünstlich eyeAuge lookssieht aus like.
213
713000
4000
So sieht unser künstliches Auge aus.
12:15
The retinaRetina chipChip that we designedentworfen sitssitzt behindhinter this lensLinse here.
214
717000
5000
Unser Netzhautchip befindet sich hinter dieser Linse hier.
12:20
And the chipChip -- I'm going to showShow you a videoVideo
215
722000
2000
Ich zeige Ihnen jetzt ein Video
12:22
that the siliconSilizium retinaRetina put out of its outputAusgabe
216
724000
3000
das die künstliche Retina erzeugt hat,
12:25
when it was looking at KareemKareem ZaghloulZaghloul,
217
727000
3000
als es Kareem Zaghloul anschaute.
12:28
who'swer ist the studentSchüler who designedentworfen this chipChip.
218
730000
2000
Kareem ist der Student, der diesen Chip designt hat.
12:30
Let me explainerklären what you're going to see, OK,
219
732000
2000
Ich erkläre Ihnen kurz, was Sie sehen werden.
12:32
because it's puttingPutten out differentanders kindsArten of informationInformation,
220
734000
3000
Denn es werden verschiedene spezielle Daten erzeugt,
12:35
it's not as straightforwardeinfach as a cameraKamera.
221
737000
2000
nicht wie bei einer Kamera.
12:37
The retinaRetina chipChip extractsExtrakte fourvier differentanders kindsArten of informationInformation.
222
739000
3000
Der Netzhautchip erfasst vier verschiedene Arten von Daten.
12:40
It extractsExtrakte regionsRegionen with darkdunkel contrastKontrast,
223
742000
3000
Er erfasse dunkle Bereiche,
12:43
whichwelche will showShow up on the videoVideo as redrot.
224
745000
3000
die im Video rotgefärbt sind.
12:46
And it extractsExtrakte regionsRegionen with whiteWeiß or lightLicht contrastKontrast,
225
748000
4000
Und er erfasst weiße oder helle Bereiche,
12:50
whichwelche will showShow up on the videoVideo as greenGrün.
226
752000
2000
die im Video grün sind.
12:52
This is Kareem'sKareem darkdunkel eyesAugen
227
754000
2000
Hier sind Kareems dunkle Augen
12:54
and that's the whiteWeiß backgroundHintergrund that you see here.
228
756000
3000
und das hier ist der weiße Hintergrund.
12:57
And then it alsoebenfalls extractsExtrakte movementBewegung.
229
759000
2000
Außerdem erfasst er Bewegungen.
12:59
When KareemKareem movesbewegt his headKopf to the right,
230
761000
2000
Wenn Kareem seinen Kopf nach rechts bewegt,
13:01
you will see this blueblau activityAktivität there;
231
763000
2000
sehen Sie hier blaue Aktivität.
13:03
it representsrepräsentiert regionsRegionen where the contrastKontrast is increasingsteigend in the imageBild,
232
765000
3000
Das repräsentiert Bereiche, wo die Helligkeit des Bildes steigt,
13:06
that's where it's going from darkdunkel to lightLicht.
233
768000
3000
wo es sich von dunkel nach hell verändert.
13:09
And you alsoebenfalls see this yellowGelb activityAktivität,
234
771000
2000
Dann sehen Sie noch gelbe Aktivität
13:11
whichwelche representsrepräsentiert regionsRegionen where contrastKontrast is decreasingabnehmend;
235
773000
4000
in Bereichen, wo sich die Helligkeit verringert,
13:15
it's going from lightLicht to darkdunkel.
236
777000
2000
also von hell nach dunkel geht.
13:17
And these fourvier typesTypen of informationInformation --
237
779000
3000
Diese Arten von Informationen...
13:20
your opticOptik nerveNerv has about a millionMillion fibersFasern in it,
238
782000
4000
Ihr Sehnerv hat etwa eine Million Fasern
13:24
and 900,000 of those fibersFasern
239
786000
3000
und 900.000 dieser Fasern
13:27
sendsenden these fourvier typesTypen of informationInformation.
240
789000
2000
senden diese vier Arten von Informationen.
13:29
So we are really duplicatingDuplizieren the kindArt of signalsSignale that you have on the opticOptik nerveNerv.
241
791000
4000
Wir bilden wirklich die Art Signale nach, die im Sehnerv vorkommen.
13:33
What you noticebeachten here is that these snapshotsSnapshots
242
795000
3000
Wie man merkt sind diese Aufnahmen
13:36
takengenommen from the outputAusgabe of the retinaRetina chipChip are very sparsespärlich, right?
243
798000
4000
vom Ausgang des Netzhautchips sehr spärlich.
13:40
It doesn't lightLicht up greenGrün everywhereüberall in the backgroundHintergrund,
244
802000
2000
Nicht der ganze Hintergrund ist grün,
13:42
only on the edgesKanten, and then in the hairHaar, and so on.
245
804000
3000
nur die Ecken und so weiter.
13:45
And this is the samegleich thing you see
246
807000
1000
Dasselbe kann man beobachten,
13:46
when people compressKompresse videoVideo to sendsenden: they want to make it very sparsespärlich,
247
808000
4000
wenn Videos zum Versand komprimiert werden: vieles wird weggelassen,
13:50
because that fileDatei is smallerkleiner. And this is what the retinaRetina is doing,
248
812000
3000
weil die Datei so kleiner wird. Genau das macht die Retina,
13:53
and it's doing it just with the circuitrySchaltung, and how this networkNetzwerk of neuronsNeuronen
249
815000
4000
und zwar nur mit ihren Schaltkreisen, dem Netzwerk von Neuronen
13:57
that are interactinginteragierend in there, whichwelche we'vewir haben capturedgefangen on the chipChip.
250
819000
3000
und deren Verhalten, das wir hier auf dem Chip haben.
14:00
But the pointPunkt that I want to make -- I'll showShow you up here.
251
822000
3000
Was ich Ihnen klarmachen will, ich zeig's Ihnen hier oben...
14:03
So this imageBild here is going to look like these onesEinsen,
252
825000
3000
Das Ausgabebild wird so aussehen wie diese hier,
14:06
but here I'll showShow you that we can reconstructrekonstruieren the imageBild,
253
828000
2000
aber ich zeige Ihnen, dass wir das Bild rekonstruieren können,
14:08
so, you know, you can almostfast recognizeerkenne KareemKareem in that topoben partTeil there.
254
830000
5000
sodass Sie Kareem hier oben fast erkennen können.
14:13
And so, here you go.
255
835000
2000
Los geht's.
14:24
Yes, so that's the ideaIdee.
256
846000
3000
So funktioniert das.
14:27
When you standStand still, you just see the lightLicht and darkdunkel contrastsKontraste.
257
849000
2000
Ohne Bewegung sehen Sie nur helle und dunkle Flecken.
14:29
But when it's movingbewegend back and forthher,
258
851000
2000
Aber sobald Bewegung dazukommt,
14:31
the retinaRetina picksTipps up these changesÄnderungen.
259
853000
3000
erfasst die Retina diese Veränderungen.
14:34
And that's why, you know, when you're sittingSitzung here
260
856000
1000
Wenn Sie hier sitzen und sich plötzlich
14:35
and something happensdas passiert in your backgroundHintergrund,
261
857000
2000
etwas neben Ihnen bewegt,
14:37
you merelynur moveBewegung your eyesAugen to it.
262
859000
2000
richten Sie sofort den Blick darauf.
14:39
There are these cellsZellen that detecterkennen changeVeränderung
263
861000
2000
Sie haben diese Zellen, die auf Veränderungen
14:41
and you moveBewegung your attentionAufmerksamkeit to it.
264
863000
2000
reagieren und Sie darauf hinweisen.
14:43
So those are very importantwichtig for catchingfangend somebodyjemand
265
865000
2000
Das hilft Ihnen dabei jemanden zu erwischen,
14:45
who'swer ist tryingversuchen to sneakschleichen up on you.
266
867000
2000
der sich anschleichen will.
14:47
Let me just endEnde by sayingSprichwort that this is what happensdas passiert
267
869000
3000
Zum Abschluss will ich Ihnen zeigen, was passiert,
14:50
when you put AfricaAfrika in a pianoKlavier, OK.
268
872000
3000
wenn man Afrika in ein Piano steckt.
14:53
This is a steelstehlen drumTrommel here that has been modifiedgeändert,
269
875000
3000
Das ist eine umgebaute Stahltrommel.
14:56
and that's what happensdas passiert when you put AfricaAfrika in a pianoKlavier.
270
878000
3000
Das passiert, wenn man Afrika in ein Piano steckt.
14:59
And what I would like us to do is put AfricaAfrika in the computerComputer,
271
881000
4000
Wir sollten mehr Afrika in den Computer stecken
15:03
and come up with a newneu kindArt of computerComputer
272
885000
2000
und einen neuen Computer erfinden,
15:05
that will generategenerieren thought, imaginationPhantasie, be creativekreativ and things like that.
273
887000
3000
der Gedanken, Vorstellungskraft hervorbringt und kreativ ist.
15:08
Thank you.
274
890000
2000
Danke.
15:10
(ApplauseApplaus)
275
892000
2000
(Applaus)
15:12
ChrisChris AndersonAnderson: QuestionFrage for you, KwabenaKwabena.
276
894000
2000
Chris Anderson: Eine Frage an dich, Kwabena.
15:14
Do you put togetherzusammen in your mindVerstand the work you're doing,
277
896000
4000
Verbindest du gedanklich deine Arbeit,
15:18
the futureZukunft of AfricaAfrika, this conferenceKonferenz --
278
900000
3000
die Zukunft Afrikas, diese Konferenz...
15:21
what connectionsVerbindungen can we make, if any, betweenzwischen them?
279
903000
3000
Was für Verbindungen können wir dazwischen sehen?
15:24
KwabenaKwabena BoahenBoahen: Yes, like I said at the beginningAnfang,
280
906000
2000
Kwabena Boahen: Ja, wie anfangs gesagt,
15:26
I got my first computerComputer when I was a teenagerTeenager, growingwachsend up in AccraAccra.
281
908000
4000
Meinen ersten Computer bekam ich als Teenager in Accra.
15:30
And I had this gutDarm reactionReaktion that this was the wrongfalsch way to do it.
282
912000
4000
Ich hatte so ein Bauchgefühl, dass wir es falsch angehen.
15:34
It was very bruteBrute forceKraft; it was very inelegantunelegant.
283
916000
3000
Es war sehr brachial, sehr unelegant.
15:37
I don't think that I would'vewürde haben had that reactionReaktion,
284
919000
2000
Diese Reaktion hätte ich wohl nicht gehabt,
15:39
if I'd growngewachsen up readingLesen all this scienceWissenschaft fictionFiktion,
285
921000
3000
wenn ich als Kind Science-Fiction gelesen hätte,
15:42
hearingHören about RDRD2D2, whateverwas auch immer it was callednamens, and just -- you know,
286
924000
4000
von RD2D2 gehört gehabt hätte, oder wie immer das hieß.
15:46
buyingKauf into this hypeHype about computersComputer.
287
928000
1000
Diesen Hype um Computer geglaubt hätte.
15:47
I was comingKommen at it from a differentanders perspectivePerspektive,
288
929000
2000
Ich hatte einen anderen Blickwinkel darauf
15:49
where I was bringingbringt that differentanders perspectivePerspektive
289
931000
2000
und habe meinen Blickwinkel benutzt, um das
15:51
to bearBär on the problemProblem.
290
933000
2000
Problem anzugehen.
15:53
And I think a lot of people in AfricaAfrika have this differentanders perspectivePerspektive,
291
935000
3000
Ich glaube, viele Afrikaner haben diese andere Perspektive, und ich glaube,
15:56
and I think that's going to impactEinfluss technologyTechnologie.
292
938000
2000
das wird die Technologie beeinflussen.
15:58
And that's going to impactEinfluss how it's going to evolveentwickeln.
293
940000
2000
Es wird sich auf die technologische Entwicklung auswirken.
16:00
And I think you're going to be ablefähig to see, use that infusionInfusion,
294
942000
2000
Diese werden wir nutzen können,
16:02
to come up with newneu things,
295
944000
2000
um neue Dinge zu erfinden,
16:04
because you're comingKommen from a differentanders perspectivePerspektive.
296
946000
3000
weil wir die Dinge aus einer anderen Sicht sehen.
16:07
I think we can contributebeitragen. We can dreamTraum like everybodyjeder elsesonst.
297
949000
4000
Wir können etwas beitragen, wir können träumen wie jeder andere.
16:11
CACA: ThanksVielen Dank KwabenaKwabena, that was really interestinginteressant.
298
953000
2000
Chris Anderson: Thanks Kwabena, das war sehr interessant.
16:13
Thank you.
299
955000
1000
Danke.
16:14
(ApplauseApplaus)
300
956000
2000
(Applaus)
Translated by Jan Wilberg
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.

Why you should listen

Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:

Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.

My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.

My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.

More profile about the speaker
Kwabena Boahen | Speaker | TED.com