ABOUT THE SPEAKER
Sebastian Seung - Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain.

Why you should listen

In the brain, neurons are connected into a complex network. Sebastian Seung and his lab at MIT are inventing technologies for identifying and describing the connectome, the totality of connections between the brain's neurons -- think of it as the wiring diagram of the brain. We possess our entire genome at birth, but things like memories are not "stored" in the genome; they are acquired through life and accumulated in the brain. Seung's hypothesis is that "we are our connectome," that the connections among neurons is where memories and experiences get stored.

Seung and his collaborators, including Winfried Denk at the Max Planck Institute and Jeff Lichtman at Harvard University, are working on a plan to thin-slice a brain (probably starting with a mouse brain) and trace, from slice to slice, each neural pathway, exposing the wiring diagram of the brain and creating a powerful new way to visualize the workings of the mind. They're not the first to attempt something like this -- Sydney Brenner won a Nobel for mapping all the 7,000 connections in the nervous system of a tiny worm, C. elegans. But that took his team a dozen years, and the worm only had 302 nerve cells. One of Seung's breakthroughs is in using advanced imagining and AI to handle the crushing amount of data that a mouse brain will yield and turn it into richly visual maps that show the passageways of thought and sensation.

More profile about the speaker
Sebastian Seung | Speaker | TED.com
TEDGlobal 2010

Sebastian Seung: I am my connectome

Sebastian Seung: Ich bin mein Connectome

Filmed:
1,131,223 views

Sebastian Seung kartiert ein immens ambitioniertes neues Modell des Gehirns, welches sich auf die Verbindungen zwischen jedem Neuron konzentriert. Er nennt es unser "Connectome", dass so individuell ist wie unser Genom – sein Verständnis könnte einen neuen Zugang eröffnen, unser Gehirn und unsere Gedanken zu durchschauen.
- Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain. Full bio

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

00:17
We liveLeben in in a remarkablebemerkenswert time,
0
2000
3000
Wir leben in einer bemerkenswerten Zeit
00:20
the ageAlter of genomicsGenomik.
1
5000
3000
dem Genzeitalter.
00:23
Your genomeGenom is the entireganz sequenceSequenz of your DNADNA.
2
8000
3000
Ihr Genom is die komplette Sequenz ihrer DNA.
00:26
Your sequenceSequenz and mineBergwerk are slightlyleicht differentanders.
3
11000
3000
Ihre und meine Sequenz unterscheiden sich nur wenig.
00:29
That's why we look differentanders.
4
14000
2000
Deshalb sehen wir unterschiedlich aus.
00:31
I've got brownbraun eyesAugen;
5
16000
2000
Ich habe braune Augen.
00:33
you mightMacht have blueblau or graygrau.
6
18000
3000
Sie mögen blaue oder graue haben.
00:36
But it's not just skin-deepoberflächlich.
7
21000
2000
Aber dies ist nich nur äußerlich.
00:38
The headlinesSchlagzeilen tell us
8
23000
2000
Die Schlagzeilen berichten,
00:40
that genesGene can give us scaryunheimlich diseasesKrankheiten,
9
25000
3000
dass Gene schreckliche Krankheiten verursachen können,
00:43
maybe even shapegestalten our personalityPersönlichkeit,
10
28000
3000
vielleicht sogar unseren Charakter formen
00:46
or give us mentalgeistig disordersStörungen.
11
31000
3000
oder psychische Störungen hervorrufen.
00:49
Our genesGene seemscheinen to have
12
34000
3000
Unsere Gene scheinen
00:52
awesomegenial powerLeistung over our destiniesSchicksale.
13
37000
3000
eine seltsame Macht über unsere Schicksale zu haben.
00:56
And yetnoch, I would like to think
14
41000
3000
Und dennoch, ich gehe davon aus,
00:59
that I am more than my genesGene.
15
44000
3000
dass ich mehr bin als meine Gene.
01:04
What do you guys think?
16
49000
2000
Was denken Sie?
01:06
Are you more than your genesGene?
17
51000
3000
Sind sie mehr als Ihre Gene?
01:09
(AudiencePublikum: Yes.) Yes?
18
54000
2000
(Zuschauer: Ja.) Ja?
01:13
I think some people agreezustimmen with me.
19
58000
2000
Ich denke einige stimmen mir zu.
01:15
I think we should make a statementErklärung.
20
60000
2000
Ich denke wir sollten ein Statement abgeben.
01:17
I think we should say it all togetherzusammen.
21
62000
2000
Ich denke wir sollte es alle gemeinsam sagen.
01:20
All right: "I'm more than my genesGene" -- all togetherzusammen.
22
65000
3000
In Ordnung: "Ich bin mehr als meine Gene" – alle gemeinsam.
01:23
EverybodyAlle: I am more than my genesGene.
23
68000
4000
Alle: Ich bin mehr als meine Gene.
01:27
(CheeringJubeln)
24
72000
2000
(Jubel)
01:30
SebastianSebastian SeungSeung: What am I?
25
75000
2000
Sebastian Seung: Was bin ich?
01:32
(LaughterLachen)
26
77000
3000
(Gelächter)
01:35
I am my connectomeConnectome.
27
80000
3000
Ich bin mein Connectome.
01:40
Now, sinceschon seit you guys are really great,
28
85000
2000
Nachdem das so gut mit euch geklappt hat
01:42
maybe you can humorHumor me and say this all togetherzusammen too.
29
87000
2000
könnt ihr mir vielleicht den Gefallen tun und dies ebenfalls gemeinsam sagen.
01:44
(LaughterLachen)
30
89000
2000
(Gelächter)
01:46
Right. All togetherzusammen now.
31
91000
2000
Genau, jetzt alle gemeinsam:
01:48
EverybodyAlle: I am my connectomeConnectome.
32
93000
3000
Alle: Ich bin mein Connectome.
01:53
SSSS: That soundedklang great.
33
98000
2000
Sebastian Seung: Das klang Klasse.
01:55
You know, you guys are so great, you don't even know what a connectomeConnectome is,
34
100000
2000
Wisst ihr, ihr seid klasse, ihr wisst noch nicht mal was ein Connectome ist
01:57
and you're willingbereit to playspielen alongeine lange with me.
35
102000
2000
und seid bereit mitzumachen.
01:59
I could just go home now.
36
104000
3000
Ich kann jetzt nach Hause gehen.
02:02
Well, so farweit only one connectomeConnectome is knownbekannt,
37
107000
3000
Nun, bisher ist nur ein Connectome bekannt,
02:05
that of this tinysehr klein wormWurm.
38
110000
3000
jenes dieses kleinen Wurms.
02:08
Its modestbescheiden nervousnervös systemSystem
39
113000
2000
Dieses schlichte Nervensystem
02:10
consistsbesteht aus of just 300 neuronsNeuronen.
40
115000
2000
besteht aus gerade 300 Neuronen.
02:12
And in the 1970s and '80s,
41
117000
2000
In den 70ern und 80ern
02:14
a teamMannschaft of scientistsWissenschaftler
42
119000
2000
kartierte ein Team aus Wissenschaftlern
02:16
mappedzugeordnet all 7,000 connectionsVerbindungen
43
121000
2000
alle 7000 Verbindungen
02:18
betweenzwischen the neuronsNeuronen.
44
123000
2000
zwischen den Nervenzellen.
02:21
In this diagramDiagramm, everyjeden nodeKnoten is a neuronNeuron,
45
126000
2000
In diesem Diagramm ist jeder Knoten eine Nervenzellen
02:23
and everyjeden lineLinie is a connectionVerbindung.
46
128000
2000
und jede Linie ist eine Verbindung.
02:25
This is the connectomeConnectome
47
130000
2000
Dies ist das Connectome
02:27
of the wormWurm C. eleganselegans.
48
132000
4000
des Wurms C. elegans.
02:31
Your connectomeConnectome is farweit more complexKomplex than this
49
136000
3000
Euer Connectome ist wesentlich komplexer als jenes,
02:34
because your brainGehirn
50
139000
2000
weil euer Gehirn
02:36
containsenthält 100 billionMilliarde neuronsNeuronen
51
141000
2000
über 100 Milliarden Nervenzellen
02:38
and 10,000 timesmal as manyviele connectionsVerbindungen.
52
143000
3000
und 10 000 mal mehr Verbindungen beinhaltet.
02:41
There's a diagramDiagramm like this for your brainGehirn,
53
146000
2000
Es gibt ein ähnliche Graphik für euer Gehirn,
02:43
but there's no way it would fitpassen on this slidegleiten.
54
148000
3000
es würde aber niemals auf diese Folie passen.
02:47
Your connectomeConnectome containsenthält one millionMillion timesmal more connectionsVerbindungen
55
152000
3000
Euer Connectome beinhaltet eine Milliarde mal mehr Verbindungen
02:50
than your genomeGenom has lettersBriefe.
56
155000
3000
als euer Genom Buchstaben hat.
02:53
That's a lot of informationInformation.
57
158000
2000
Das ist eine Menge Information.
02:55
What's in that informationInformation?
58
160000
3000
Welche Information?
02:59
We don't know for sure, but there are theoriesTheorien.
59
164000
3000
Wir wissen es nicht genau, aber es gibt Theorien.
03:02
SinceSeit the 19thth centuryJahrhundert, neuroscientistsNeurowissenschaftler have speculatedspekuliert
60
167000
3000
Seit dem 19. Jahrhundert haben Neurowissenschaftler spekuliert
03:05
that maybe your memoriesErinnerungen --
61
170000
2000
dass vielleicht eure Erinnerungen –
03:07
the informationInformation that makesmacht you, you --
62
172000
2000
die Informationen, die euch ausmachen –
03:09
maybe your memoriesErinnerungen are storedgespeichert
63
174000
2000
dass diese Erinnerungen
03:11
in the connectionsVerbindungen betweenzwischen your brain'sGehirn neuronsNeuronen.
64
176000
2000
in den Verbindungen zwischen den einzelnen Nervenzellen eures Gehirns gespeichert sind.
03:15
And perhapsvielleicht other aspectsAspekte of your personalpersönlich identityIdentität --
65
180000
2000
Und vielleicht andere Aspekte euerer Persönlichkeit –
03:17
maybe your personalityPersönlichkeit and your intellectIntellekt --
66
182000
3000
vielleicht eure Persönlichkeit und euer Verstand –
03:20
maybe they're alsoebenfalls encodedcodiert
67
185000
2000
vielleicht sind sie ebenso in den Verbindungen
03:22
in the connectionsVerbindungen betweenzwischen your neuronsNeuronen.
68
187000
3000
zwischen den Nervenzellen verschlüsselt.
03:26
And so now you can see why I proposedvorgeschlagen this hypothesisHypothese:
69
191000
3000
Das ist der Grund warum ich diese Hypothese vorschlage:
03:29
I am my connectomeConnectome.
70
194000
3000
Ich bin mein Connectome.
03:32
I didn't askFragen you to chantGesang it because it's truewahr;
71
197000
3000
Ich habe euch nicht gebeten es zu skandieren weil es wahr ist,
03:35
I just want you to remembermerken it.
72
200000
2000
sondern um euch daran zu erinnern.
03:37
And in factTatsache, we don't know if this hypothesisHypothese is correctrichtig,
73
202000
2000
Und in der Tat wissen wir nicht, ob diese Hypothese richtig ist,
03:39
because we have never had technologiesTechnologien
74
204000
2000
weil wir bisher keine Technologie hatten,
03:41
powerfulmächtig enoughgenug to testTest it.
75
206000
2000
die mächtig genug ist diese zu testen.
03:44
FindingSuche nach that wormWurm connectomeConnectome
76
209000
3000
Das Connectome des Wurms als Ergebnis
03:47
tookdauerte over a dozenDutzend yearsJahre of tediouslangweilig laborArbeit.
77
212000
3000
braucht mehr als ein Dutzend mühsamer Jahre an Arbeit.
03:50
And to find the connectomesConnectome of brainsGehirne more like our ownbesitzen,
78
215000
3000
Um das Connectome eines Gehirns, so wie euer eigenes, zu finden
03:53
we need more sophisticatedanspruchsvoll technologiesTechnologien, that are automatedautomatisiert,
79
218000
3000
brauchen wir mehr hoch entwickelte automatisierte Technologien,
03:56
that will speedGeschwindigkeit up the processverarbeiten of findingErgebnis connectomesConnectome.
80
221000
3000
welche den Prozess des Suchens nach dem Connectome beschleunigt.
03:59
And in the nextNächster fewwenige minutesProtokoll, I'll tell you about some of these technologiesTechnologien,
81
224000
3000
In den nächsten Minuten werde ich Ihnen etwas über diese Technologien erzählen,
04:02
whichwelche are currentlyzur Zeit underunter developmentEntwicklung
82
227000
2000
welche momentan entwickelt werden;
04:04
in my labLabor and the labsLabore of my collaboratorsMitarbeiter.
83
229000
3000
in meinem Labor und in den Laboren meiner Mitarbeiter.
04:08
Now you've probablywahrscheinlich seengesehen picturesBilder of neuronsNeuronen before.
84
233000
3000
Sie haben vielleicht vorher schon Bilder von Nervenzellen gesehen.
04:11
You can recognizeerkenne them instantlysofort
85
236000
2000
Sie können sie sofort erkennen
04:13
by theirihr fantasticfantastisch shapesFormen.
86
238000
3000
an ihren fantastischen Formen.
04:16
They extenderweitern long and delicatezart branchesFilialen,
87
241000
3000
Sie erstrecken sich als feingliedrige Äste
04:19
and in shortkurz, they look like treesBäume.
88
244000
3000
und um es kurz zu machen, sie sehen aus wie Bäume.
04:22
But this is just a singleSingle neuronNeuron.
89
247000
3000
Aber dies ist nur eine einzige Nervenzelle.
04:25
In orderAuftrag to find connectomesConnectome,
90
250000
2000
Um ein Connectome zu finden
04:27
we have to see all the neuronsNeuronen at the samegleich time.
91
252000
3000
müssen wir alle Nervenzellen gleichzeitig sehen.
04:30
So let's meetTreffen BobbyBobby KasthuriKasthuri,
92
255000
2000
Lernen wir Bobby Kasthuri kennen
04:32
who worksWerke in the laboratoryLabor of JeffJeff LichtmanLichtman
93
257000
2000
er arbeitet im Labor von Jeff Lichtman
04:34
at HarvardHarvard UniversityUniversität.
94
259000
2000
an der Harvard Universität.
04:36
BobbyBobby is holdingHalten fantasticallytraumhaft thindünn slicesScheiben
95
261000
2000
Bobby hält erstaunlich dünne Schnitte
04:38
of a mouseMaus brainGehirn.
96
263000
2000
eines Mausgehirns.
04:40
And we're zoomingZoomen in by a factorFaktor of 100,000 timesmal
97
265000
3000
Wir vergrößern um einen Faktor größer als 100.000,
04:44
to obtainerhalten the resolutionAuflösung,
98
269000
2000
um die Auflösung zu erhalten,
04:46
so that we can see the branchesFilialen of neuronsNeuronen all at the samegleich time.
99
271000
3000
so dass wir die Verzweigungen der Nervenzellen gleichzeitig sehen können.
04:50
ExceptAußer, you still maykann not really recognizeerkenne them,
100
275000
3000
Bis auf wenige Ausnahme mögen Sie sie noch nicht erkennen,
04:53
and that's because we have to work in threedrei dimensionsMaße.
101
278000
3000
weil wir dreidimensional arbeiten müssen.
04:56
If we take manyviele imagesBilder of manyviele slicesScheiben of the brainGehirn
102
281000
2000
Wenn wir viele Bilder von vielen Teilen des Gehirns nehmen
04:58
and stackStapel them up,
103
283000
2000
und stapeln,
05:00
we get a three-dimensionaldreidimensional imageBild.
104
285000
2000
erhalten wir ein dreidimensionales Bild.
05:02
And still, you maykann not see the branchesFilialen.
105
287000
2000
Und Sie mögen immer noch nicht die Verzweigung sehen
05:04
So we startAnfang at the topoben,
106
289000
2000
deshalb fangen wir oben an
05:06
and we colorFarbe in the cross-sectionQuerschnitt of one branchAst in redrot,
107
291000
3000
und färben die Schnittfläche eines Zweiges in Rot
05:09
and we do that for the nextNächster sliceSlice
108
294000
2000
und wiederholen dies für den nächsten Schnitt
05:11
and for the nextNächster sliceSlice.
109
296000
2000
und für den nächsten Schnitt.
05:13
And we keep on doing that,
110
298000
2000
Und wir machen das
05:15
sliceSlice after sliceSlice.
111
300000
3000
Schnitt für Schnitt.
05:18
If we continuefortsetzen throughdurch the entireganz stackStapel,
112
303000
2000
Wenn wir dies für den gesamten Stapel tun
05:20
we can reconstructrekonstruieren the three-dimensionaldreidimensional shapegestalten
113
305000
3000
können wir eine dreidimensionale Form
05:23
of a smallklein fragmentFragment of a branchAst of a neuronNeuron.
114
308000
3000
eines kleinen Teils eines Zweiges einer Nervenzelle rekonstruieren.
05:26
And we can do that for anotherein anderer neuronNeuron in greenGrün.
115
311000
2000
Wir können das für eine andere Nervenzelle in Grün machen.
05:28
And you can see that the greenGrün neuronNeuron touchesberührt the redrot neuronNeuron
116
313000
2000
und sie können sehen, das die grüne Nervenzelle die rote
05:30
at two locationsStandorte,
117
315000
2000
an zwei Stellen berührt,
05:32
and these are what are callednamens synapsesSynapsen.
118
317000
2000
diese Stellen nennen wir Synapsen.
05:34
Let's zoomZoomen in on one synapseSynapse,
119
319000
2000
Vergrößern wir eine Synapse
05:36
and keep your eyesAugen on the interiorInnere of the greenGrün neuronNeuron.
120
321000
3000
und konzentrieren uns auf das Innere der grünen Nervenzelle,
05:39
You should see smallklein circlesKreise --
121
324000
2000
dann sehen Sie kleine Kreise.
05:41
these are callednamens vesiclesVesikel.
122
326000
3000
Diese nennen wir Bläschen.
05:44
They containenthalten a moleculeMolekül know as a neurotransmitterNeurotransmitter.
123
329000
3000
Sie enthalten ein Molekül, welches wir als Neurotransmitter kennen.
05:47
And so when the greenGrün neuronNeuron wants to communicatekommunizieren,
124
332000
2000
Wenn also die grüne Nervenzelle kommunizieren möchte,
05:49
it wants to sendsenden a messageNachricht to the redrot neuronNeuron,
125
334000
2000
um eine Nachricht an die rote Nervenzelle zu schicken,
05:51
it spitsspuckt out neurotransmitterNeurotransmitter.
126
336000
3000
schüttet sie Neurotransmitter aus.
05:54
At the synapseSynapse, the two neuronsNeuronen
127
339000
2000
An der Synapse sind die beiden Nervenzellen
05:56
are said to be connectedin Verbindung gebracht
128
341000
2000
sozusagen verbunden
05:58
like two friendsFreunde talkingim Gespräch on the telephoneTelefon.
129
343000
3000
wie zwei Freunde, die telefonieren.
06:02
So you see how to find a synapseSynapse.
130
347000
2000
Nun wissen wir, wie eine Synapse zu finden ist.
06:04
How can we find an entireganz connectomeConnectome?
131
349000
3000
Wie können wir ein gesamtes Connectome finden?
06:07
Well, we take this three-dimensionaldreidimensional stackStapel of imagesBilder
132
352000
3000
Wir nehmen diesen dreidimensionalen Bilderstapel
06:10
and treatbehandeln it as a giganticgigantische three-dimensionaldreidimensional coloringFärbung bookBuch.
133
355000
3000
und behandeln ihn als gigantisches dreidimensionales Malbuch.
06:13
We colorFarbe everyjeden neuronNeuron in, in a differentanders colorFarbe,
134
358000
3000
Wir färben jede Nervenzelle in einer unterschiedlichen Farbe
06:16
and then we look throughdurch all of the imagesBilder,
135
361000
2000
und wenn wir alle Bilder betrachten
06:18
find the synapsesSynapsen
136
363000
2000
finden wir die Synapsen
06:20
and noteHinweis the colorsFarben of the two neuronsNeuronen involvedbeteiligt in eachjede einzelne synapseSynapse.
137
365000
3000
und beachten wir die Farben der beiden beteiligten Nervenzellen,
06:23
If we can do that throughoutwährend all the imagesBilder,
138
368000
3000
wenn wir das für alle Bilder machen
06:26
we could find a connectomeConnectome.
139
371000
2000
finden wir ein Connectome.
06:29
Now, at this pointPunkt,
140
374000
2000
In diesem Moment
06:31
you've learnedgelernt the basicsGrundlagen of neuronsNeuronen and synapsesSynapsen.
141
376000
2000
habt ihr die Grundkenntnisse über Nervenzellen und Synapsen gelernt.
06:33
And so I think we're readybereit to tackleangehen
142
378000
2000
Deshalb denke ich, sind wir in der Lage
06:35
one of the mostdie meisten importantwichtig questionsFragen in neuroscienceNeurowissenschaften:
143
380000
3000
eine der wichtigsten Fragen der Neurowissenschaft anzugehen:
06:39
how are the brainsGehirne of menMänner and womenFrau differentanders?
144
384000
3000
Wie unterscheiden sich die Gehirne von Männern und Frauen?
06:42
(LaughterLachen)
145
387000
2000
(Gelächter)
06:44
AccordingLaut to this self-helpSelf-Help bookBuch,
146
389000
2000
Laut diesem Sebsthilfebuch
06:46
guys brainsGehirne are like wafflesWaffeln;
147
391000
2000
sind Männergehirne wie Waffeln;
06:48
they keep theirihr livesLeben compartmentalizedkompartimentiert in boxesKästen.
148
393000
3000
sie gliedern ihr Leben in Kisten.
06:51
Girls'Girls brainsGehirne are like spaghettiSpaghetti;
149
396000
3000
Frauengehirne sind wie Spaghetti;
06:54
everything in theirihr life is connectedin Verbindung gebracht to everything elsesonst.
150
399000
3000
alles in ihrem Leben ist mit allem verbunden
06:57
(LaughterLachen)
151
402000
2000
(Gelächter)
06:59
You guys are laughingLachen,
152
404000
2000
Ihr lacht,
07:01
but you know, this bookBuch changedgeändert my life.
153
406000
2000
aber, wisst ihr, dieses Buch hat mein Leben verändert.
07:03
(LaughterLachen)
154
408000
2000
(Gelächter)
07:07
But seriouslyernst, what's wrongfalsch with this?
155
412000
3000
Ernsthaft, was ist daran falsch?
07:10
You alreadybereits know enoughgenug to tell me -- what's wrongfalsch with this statementErklärung?
156
415000
3000
Ihr wisst bereits genug um mir zu sagen was falsch ist an dieser Behauptung?
07:20
It doesn't matterAngelegenheit whetherob you're a guy or girlMädchen,
157
425000
3000
Es spielt keine Rolle, ob ihr Mann oder Frau seid,
07:23
everyone'sjeder ist brainsGehirne are like spaghettiSpaghetti.
158
428000
3000
jedes Gehirn ist wie Spaghetti.
07:26
Or maybe really, really fine capelliniCapellini with branchesFilialen.
159
431000
3000
oder vielmehr wie sehr, sehr feine Capellini mit Verästelungen.
07:30
Just as one strandStrang of spaghettiSpaghetti
160
435000
2000
So wie ein Strang Spaghetti
07:32
contactsKontakte manyviele other strandsStränge on your plateTeller,
161
437000
3000
viele andere Stränge Spaghetti auf eurem Teller berührt,
07:35
one neuronNeuron touchesberührt manyviele other neuronsNeuronen
162
440000
2000
berührt eine Nervenzelle viele andere Nervenzellen
07:37
throughdurch theirihr entangledverstrickt branchesFilialen.
163
442000
2000
durch ihre verzweigten Äste.
07:39
One neuronNeuron can be connectedin Verbindung gebracht to so manyviele other neuronsNeuronen,
164
444000
3000
Eine Nervenzellen kann so viele andere Nervenzellen berühren,
07:42
because there can be synapsesSynapsen
165
447000
2000
weil an diesen Kontaktstellen
07:44
at these pointsPunkte of contactKontakt.
166
449000
3000
Synapsen entstehen können.
07:49
By now, you mightMacht have sortSortieren of losthat verloren perspectivePerspektive
167
454000
3000
Inzwischen haben Sie vielleicht ein wenig die Perspektive verloren
07:52
on how largegroß this cubeWürfel of brainGehirn tissueGewebe actuallytatsächlich is.
168
457000
3000
wie groß dieser Würfel Hirngewebe wirklich ist.
07:55
And so let's do a seriesSerie of comparisonsVergleiche to showShow you.
169
460000
3000
Ich zeige Ihnen eine Serie von Vergleichen.
07:58
I assureversichern you, this is very tinysehr klein. It's just sixsechs micronsMikron on a sideSeite.
170
463000
3000
Ich versichere ihnen, dies ist sehr klein. Es sind nur sechs Mikrometer.
08:03
So, here'shier ist how it stacksStapel up againstgegen an entireganz neuronNeuron.
171
468000
3000
hier im Vergleich zu einer ganzen Nervenzelle
08:06
And you can tell that, really, only the smallestkleinste fragmentsFragmente of branchesFilialen
172
471000
3000
und sie sehen, nur die kleinsten Teile der Verästelung
08:09
are containedenthalten insideinnen this cubeWürfel.
173
474000
3000
sind innerhalb dieses Würfels.
08:12
And a neuronNeuron, well, that's smallerkleiner than brainGehirn.
174
477000
3000
Eine Nervenzelle, dass ist kleiner als ein Gehirn.
08:17
And that's just a mouseMaus brainGehirn --
175
482000
2000
und das ist nur ein Mäusegehirn.
08:21
it's a lot smallerkleiner than a humanMensch brainGehirn.
176
486000
3000
Es ist viel kleiner als ein menschliches Gehrin.
08:25
So when showShow my friendsFreunde this,
177
490000
2000
Wenn ich meinen Freunden dies gezeigt habe,
08:27
sometimesmanchmal they'veSie haben told me,
178
492000
2000
haben sie mir manchmal gesagt,
08:29
"You know, SebastianSebastian, you should just give up.
179
494000
3000
"Weißt du, Sebastian, warum gibst du nicht einfach aus?
08:32
NeuroscienceNeurowissenschaften is hopelesshoffnungslos."
180
497000
2000
Neurowissenschaft ist hoffnungslos.
08:34
Because if you look at a brainGehirn with your nakednackt eyeAuge,
181
499000
2000
Wenn wir ein Gehirn mit unserem bloßen Auge betrachten
08:36
you don't really see how complexKomplex it is,
182
501000
2000
sehen wir nicht wie komplex es ist,
08:38
but when you use a microscopeMikroskop,
183
503000
2000
aber wenn wir ein Mikroskop benutzen
08:40
finallyendlich the hiddenversteckt complexityKomplexität is revealedenthüllt.
184
505000
3000
wird die versteckte Komplexität schließlich aufgedeckt.
08:45
In the 17thth centuryJahrhundert,
185
510000
2000
Im 17. Jahrhundert
08:47
the mathematicianMathematiker and philosopherPhilosoph, BlaiseBlasius PascalPascal,
186
512000
2000
schrieb der Mathematiker und Philosoph, Blaise Pascal,
08:49
wroteschrieb of his dreadfürchten of the infiniteunendlich,
187
514000
3000
über seine Furcht vor dem Unendlichen.
08:52
his feelingGefühl of insignificanceBedeutungslosigkeit
188
517000
2000
sein Gefühl der Bedeutungslosigkeit
08:54
at contemplatingbetrachten the vastriesig reacheserreicht of outeräußere spacePlatz.
189
519000
3000
bei Betrachtung der enormen Ausmaße des Weltalls.
08:59
And, as a scientistWissenschaftler,
190
524000
2000
Und, als ein Wissenschaftler,
09:01
I'm not supposedsoll to talk about my feelingsGefühle --
191
526000
3000
sollte ich nicht über meine Gefühle reden.
09:04
too much informationInformation, professorProfessor.
192
529000
2000
Zu viel Information, Professor.
09:06
(LaughterLachen)
193
531000
2000
(Gelächter)
09:08
But maykann I?
194
533000
2000
Aber darf ich?
09:10
(LaughterLachen)
195
535000
2000
(Gelächter)
09:12
(ApplauseApplaus)
196
537000
2000
(Applaus)
09:14
I feel curiosityNeugierde,
197
539000
2000
Ich fühle Neugier
09:16
and I feel wonderWunder,
198
541000
2000
und ich wundere mich
09:18
but at timesmal I have alsoebenfalls feltFilz despairVerzweiflung.
199
543000
3000
aber manchmal habe ich auch Verzweiflung gespürt.
09:22
Why did I choosewählen to studyStudie
200
547000
2000
Warum habe ich mich entschieden
09:24
this organOrgan that is so awesomegenial in its complexityKomplexität
201
549000
3000
dieses in seiner Komplexität so wunderbare Organ
09:27
that it mightMacht well be infiniteunendlich?
202
552000
2000
dass es vielleicht unendlich ist, zu studieren?
09:29
It's absurdabsurd.
203
554000
2000
Es ist absurd.
09:31
How could we even dareWagen to think
204
556000
2000
Wie konnte ich es wagen zu denken,
09:33
that we mightMacht ever understandverstehen this?
205
558000
3000
dass wir es jemals verstehen werden?
09:38
And yetnoch, I persistbestehen in this quixoticweltfremd endeavorEndeavor.
206
563000
3000
Und doch, Ich beharre auf diesem abenteuerliche Unterfangen.
09:41
And indeedtatsächlich, these daysTage I harborHafen newneu hopesHoffnungen.
207
566000
3000
und tatsächlich habe ich schöpfe ich heutzutage neue Hoffnung
09:45
SomedayEines Tages,
208
570000
2000
eines Tages
09:47
a fleetFlotte of microscopesMikroskope will captureErfassung
209
572000
2000
mit einer Flotte von Mikroskopen
09:49
everyjeden neuronNeuron and everyjeden synapseSynapse
210
574000
2000
jede Nervenzelle und jede Synapse
09:51
in a vastriesig databaseDatenbank of imagesBilder.
211
576000
3000
in einer enormen Bilderdatenbank zu erfassen.
09:54
And some day, artificiallykünstlich intelligentintelligent supercomputersSupercomputer
212
579000
3000
Und eines Tages, künstlich intelligente Supercomputer
09:57
will analyzeanalysieren the imagesBilder withoutohne humanMensch assistanceHilfe
213
582000
3000
diese Bilder ohne menschliche Hilfe analysieren werden
10:00
to summarizezusammenfassen them in a connectomeConnectome.
214
585000
3000
und sie in einem Connectome zusammenzufassen.
10:04
I do not know, but I hopeHoffnung that I will liveLeben to see that day,
215
589000
3000
Ich weiß es nicht, aber ich hoffe ich lebe lang genug, diesen Tag zu erleben.
10:08
because findingErgebnis an entireganz humanMensch connectomeConnectome
216
593000
2000
Denn das Erfassen eines gesamtes menschliches Connectome
10:10
is one of the greatestgrößte technologicaltechnologisch challengesHerausforderungen of all time.
217
595000
3000
ist eine der größten technischen Herausforderungen aller Zeiten
10:13
It will take the work of generationsGenerationen to succeedgelingen.
218
598000
3000
Es wird die Arbeit von Generationen brauchen, um erfolgreich zu sein.
10:17
At the presentGeschenk time, my collaboratorsMitarbeiter and I,
219
602000
3000
Zur Zeit arbeiten meine Mitarbeiter und ich,
10:20
what we're aimingmit dem Ziel for is much more modestbescheiden --
220
605000
2000
auf ein wesentlich bescheideneres Ziel hin –
10:22
just to find partialteilweise connectomesConnectome
221
607000
2000
ein Teil eines Connectomes
10:24
of tinysehr klein chunksStücke of mouseMaus and humanMensch brainGehirn.
222
609000
3000
aus kleinen Stücken von Mäuse- und Menschengehirnen zu finden.
10:27
But even that will be enoughgenug for the first testsTests of this hypothesisHypothese
223
612000
3000
Selbst jene Stücke werden ausreichen für die ersten Tests der Hypothese
10:30
that I am my connectomeConnectome.
224
615000
3000
das ich mein Connectome bin.
10:35
For now, let me try to convinceüberzeugen you of the plausibilityPlausibilität of this hypothesisHypothese,
225
620000
3000
Vorerst lassen sie mich versuchen sie von der Plausibilität dieser Hypothese zu überzeugen
10:38
that it's actuallytatsächlich worthwert takingunter seriouslyernst.
226
623000
3000
dass sie es wirklich wert ist ernsthaft genommen zu werden.
10:42
As you growgrößer werden duringwährend childhoodKindheit
227
627000
2000
Während sie durch Ihre Kindheut wachsen
10:44
and ageAlter duringwährend adulthoodErwachsenenalter,
228
629000
3000
und altern während des Erwachsenendaseins
10:47
your personalpersönlich identityIdentität changesÄnderungen slowlylangsam.
229
632000
3000
ändert sich ihre Persönlichkeit langsam.
10:50
LikewiseEbenso, everyjeden connectomeConnectome
230
635000
2000
Zugleich ändert sich jedes Connectome
10:52
changesÄnderungen over time.
231
637000
2000
mit der Zeit.
10:55
What kindsArten of changesÄnderungen happengeschehen?
232
640000
2000
Welche Art von Veränderungen passieren?
10:57
Well, neuronsNeuronen, like treesBäume,
233
642000
2000
Nun, Nervenzellen, wie auch Bäume,
10:59
can growgrößer werden newneu branchesFilialen,
234
644000
2000
können neue Zweige wachsen lassen
11:01
and they can loseverlieren oldalt onesEinsen.
235
646000
3000
und alte verlieren.
11:04
SynapsesSynapsen can be createderstellt,
236
649000
3000
Synapsen können entstehen
11:07
and they can be eliminatedeliminiert.
237
652000
3000
und beseitigt werden.
11:10
And synapsesSynapsen can growgrößer werden largergrößer,
238
655000
2000
Synapsen können größer und
11:12
and they can growgrößer werden smallerkleiner.
239
657000
3000
kleiner werden.
11:15
SecondSekunde questionFrage:
240
660000
2000
Zweite Frage:
11:17
what causesUrsachen these changesÄnderungen?
241
662000
3000
Was verursacht diese Veränderungen?
11:20
Well, it's truewahr.
242
665000
2000
Nun, es stimmt,
11:22
To some extentUmfang, they are programmedprogrammiert by your genesGene.
243
667000
3000
dass bis zu einem gewissen Maße wir von unseren Genen bestimmt sind.
11:25
But that's not the wholeganze storyGeschichte,
244
670000
2000
Dass ist aber nicht ganze Wahrheit,
11:27
because there are signalsSignale, electricalelektrisch signalsSignale,
245
672000
2000
denn es gibt Signale, elektrische Impulse
11:29
that travelReise alongeine lange the branchesFilialen of neuronsNeuronen
246
674000
2000
die entlang der Verzweigungen der Nervenzellen wandern
11:31
and chemicalchemisch signalsSignale
247
676000
2000
sowie chemische Signale
11:33
that jumpspringen acrossüber from branchAst to branchAst.
248
678000
2000
welche von Ast zu Ast wandern.
11:35
These signalsSignale are callednamens neuralneuronale activityAktivität.
249
680000
3000
Diese Signale werden neuronale Aktivität genannt.
11:38
And there's a lot of evidenceBeweise
250
683000
2000
Und es gibt eine Menge Hinweise
11:40
that neuralneuronale activityAktivität
251
685000
3000
dass in neuronale Aktivität
11:43
is encodingCodierung our thoughtsGedanken, feelingsGefühle and perceptionsWahrnehmungen,
252
688000
3000
unsere Gedanken, Gefühle und Wahrnehmung
11:46
our mentalgeistig experiencesErfahrungen.
253
691000
2000
sowie unsere geistige Erfahrung verschlüsselt ist.
11:48
And there's a lot of evidenceBeweise that neuralneuronale activityAktivität
254
693000
3000
Und es gibt eine Menge Hinweise darauf, dass neuronale Aktivität
11:51
can causeUrsache your connectionsVerbindungen to changeVeränderung.
255
696000
3000
unsere Verbindungen verändern kann.
11:54
And if you put those two factsFakten togetherzusammen,
256
699000
3000
Und wenn wir diese beiden Tatsachen zusammennehmen
11:57
it meansmeint that your experiencesErfahrungen
257
702000
2000
bedeutet dies, dass unsere Erlebnisse
11:59
can changeVeränderung your connectomeConnectome.
258
704000
3000
unser Connectome verändern können.
12:02
And that's why everyjeden connectomeConnectome is uniqueeinzigartig,
259
707000
2000
Aus diesem Grund ist jedes Connectome einzigartig,
12:04
even those of geneticallygenetisch identicalidentisch twinsZwillinge.
260
709000
3000
sogar solche genetisch identischer Zwillinge.
12:08
The connectomeConnectome is where natureNatur meetserfüllt nurturenähren.
261
713000
3000
Im Connectome treffen sich Veranlagung und Erziehung.
12:12
And it mightMacht truewahr
262
717000
2000
Es mag stimmen,
12:14
that just the merebloß actHandlung of thinkingDenken
263
719000
2000
dass nur der bloße Akt des Denkens
12:16
can changeVeränderung your connectomeConnectome --
264
721000
2000
unser Connectome verändern kann
12:18
an ideaIdee that you maykann find empoweringBefähigung.
265
723000
3000
eine Idee, die sie als bereichernd empfinden.
12:24
What's in this pictureBild?
266
729000
2000
Was sehen sie in diesem Bild?
12:28
A coolcool and refreshingerfrischende streamStrom of waterWasser, you say.
267
733000
3000
Sie mögen erwidern: Einen angenehmen erfrischenden Flusslauf.
12:32
What elsesonst is in this pictureBild?
268
737000
2000
Was noch?
12:37
Do not forgetvergessen that grooveNut in the EarthErde
269
742000
2000
Vergessen sie nicht die Vertiefung in der Erde
12:39
callednamens the streamStrom bedBett.
270
744000
3000
Flussbett genannt.
12:42
WithoutOhne it, the waterWasser would not know in whichwelche directionRichtung to flowfließen.
271
747000
3000
Ohne wüsste das Wasser nicht in welche Richtung es fließen sollte,
12:45
And with the streamStrom,
272
750000
2000
und mit dem Bach
12:47
I would like to proposevorschlagen a metaphorMetapher
273
752000
2000
möchte ich eine Metapher vorschlagen:
12:49
for the relationshipBeziehung betweenzwischen neuralneuronale activityAktivität
274
754000
2000
für die Beziehung zwischen neuronaler Aktivität
12:51
and connectivityKonnektivität.
275
756000
2000
und Verbindung.
12:54
NeuralNeuronale activityAktivität is constantlyständig changingÄndern.
276
759000
3000
Die neuronale Aktivität verändert sich konstant.
12:57
It's like the waterWasser of the streamStrom; it never sitssitzt still.
277
762000
3000
Sie ist wie das Wasser des Bachs; es steht niemals still.
13:00
The connectionsVerbindungen
278
765000
2000
Die Verbindungen
13:02
of the brain'sGehirn neuralneuronale networkNetzwerk
279
767000
2000
des neuronalen Netzes im Gehirn
13:04
determinesbestimmt the pathwaysWege
280
769000
2000
bestimmen die Pfade
13:06
alongeine lange whichwelche neuralneuronale activityAktivität flowsFlüsse.
281
771000
2000
anhand welcher die neuronale Aktivität fließt.
13:08
And so the connectomeConnectome is like bedBett of the streamStrom;
282
773000
3000
Und so ist das Connectome wie das Flussbett.
13:13
but the metaphorMetapher is richerreicher than that,
283
778000
3000
Aber die Metapher ist vielschichtiger.
13:16
because it's truewahr that the streamStrom bedBett
284
781000
3000
Es stimmt, dass das Flussbett
13:19
guidesFührungen the flowfließen of the waterWasser,
285
784000
2000
den Fluss des Wassers lenkt,
13:21
but over long timescalesZeitskalen,
286
786000
2000
aber über lange Zeiträume
13:23
the waterWasser alsoebenfalls reshapesReshapes the bedBett of the streamStrom.
287
788000
3000
verformt das Wasser ebenso das Flussbett.
13:26
And as I told you just now,
288
791000
2000
Und wie ich ihnen eben gerade erzählt habe,
13:28
neuralneuronale activityAktivität can changeVeränderung the connectomeConnectome.
289
793000
3000
kann die neuronale Aktivität das Connectome verändern.
13:33
And if you'lldu wirst allowzulassen me to ascendaufsteigen
290
798000
2000
Und erlauben sie mir in
13:35
to metaphoricalmetaphorische heightsHöhen,
291
800000
3000
metaphorische Höhen aufzusteigen,
13:38
I will reminderinnern you that neuralneuronale activityAktivität
292
803000
3000
ich möchte ich sie daran erinnern, dass neuronale Aktivität
13:41
is the physicalphysisch basisBasis -- or so neuroscientistsNeurowissenschaftler think --
293
806000
2000
die physische Basis – so glauben die Neurowissenschaftler –
13:43
of thoughtsGedanken, feelingsGefühle and perceptionsWahrnehmungen.
294
808000
3000
der Gedanken, Gefühle und Wahrnehmungen ist.
13:46
And so we mightMacht even speaksprechen of
295
811000
2000
Und wir können sogar vom
13:48
the streamStrom of consciousnessBewusstsein.
296
813000
2000
Bewusstseinsstrom sprechen.
13:50
NeuralNeuronale activityAktivität is its waterWasser,
297
815000
3000
Neuronale Aktivität ist das Wasser
13:53
and the connectomeConnectome is its bedBett.
298
818000
3000
sowie das Connectome sein Bett ist.
13:57
So let's returnRückkehr from the heightsHöhen of metaphorMetapher
299
822000
2000
Kehren wir von den metaphorischen Höhen
13:59
and returnRückkehr to scienceWissenschaft.
300
824000
2000
zurück zur Wissenschaft.
14:01
SupposeNehmen wir an our technologiesTechnologien for findingErgebnis connectomesConnectome
301
826000
2000
Nehmen wir an unsere Technologien zum Entdecken eines Connectomes
14:03
actuallytatsächlich work.
302
828000
2000
funktionieren wirklich.
14:05
How will we go about testingtesten the hypothesisHypothese
303
830000
2000
Wie werden wir die Hypothese
14:07
"I am my connectomeConnectome?"
304
832000
3000
"Ich bin mein Connectome" testen?
14:10
Well, I proposevorschlagen a directdirekt testTest.
305
835000
3000
Nun, ich schlage einen unmittelbaren Test vor.
14:13
Let us attemptVersuch
306
838000
2000
Lasst uns versuchen
14:15
to readlesen out memoriesErinnerungen from connectomesConnectome.
307
840000
3000
Erinnerungen aus einem Connectome auszulesen.
14:18
ConsiderPrüfen the memoryErinnerung
308
843000
2000
Betrachten wir das Gedächtnis
14:20
of long temporalzeitliche sequencesSequenzen of movementsBewegungen,
309
845000
3000
als eine lange temporäre Sequenz von Bewegungen,
14:23
like a pianistPianist playingspielen a BeethovenBeethoven sonataSonate.
310
848000
3000
wie zum Beispiel ein Pianist eine Beethoven Sonate spielt.
14:26
AccordingLaut to a theoryTheorie that datesTermine back to the 19thth centuryJahrhundert,
311
851000
3000
Laut einer Theorie, die auf das 19te Jahrhundert zurück geht
14:29
sucheine solche memoriesErinnerungen are storedgespeichert
312
854000
2000
werden solche Erinnerungen
14:31
as chainsKetten of synapticsynaptischen connectionsVerbindungen insideinnen your brainGehirn.
313
856000
3000
als Ketten von synaptischen Verbindungen innerhalb unseres Gehirns gespeichert.
14:35
Because, if the first neuronsNeuronen in the chainKette are activatedaktiviert,
314
860000
3000
Wenn die ersten Nervenzellen in der Kette aktiviert werden
14:38
throughdurch theirihr synapsesSynapsen they sendsenden messagesNachrichten to the secondzweite neuronsNeuronen, whichwelche are activatedaktiviert,
315
863000
3000
senden diese durch ihre Synapsen die Botschaft an die zweite Nervenzellen, welche wieder aktiviert wird
14:41
and so on down the lineLinie,
316
866000
2000
und so weiter uns so fort,
14:43
like a chainKette of fallingfallend dominoesDominosteine.
317
868000
2000
wie eine Kette fallender Dominosteine.
14:45
And this sequenceSequenz of neuralneuronale activationAktivierung
318
870000
2000
Diese Sequenz von neuronaler Aktivität
14:47
is hypothesizeddie Hypothese to be the neuralneuronale basisBasis
319
872000
3000
könnte hypothetisch die neuronale Basis
14:50
of those sequenceSequenz of movementsBewegungen.
320
875000
2000
solcher Bewegungsabläufe sein.
14:52
So one way of tryingversuchen to testTest the theoryTheorie
321
877000
2000
Eine Möglichkeit die Theorie zu testen
14:54
is to look for sucheine solche chainsKetten
322
879000
2000
ist nach solchen Ketten
14:56
insideinnen connectomesConnectome.
323
881000
2000
innerhalb eines Connectomes zu suchen.
14:58
But it won'tGewohnheit be easyeinfach, because they're not going to look like this.
324
883000
3000
Das ist allerdings nicht einfach, weil sie natürlich nicht so aussehen.
15:01
They're going to be scrambledRührei up.
325
886000
2000
Sie werden chaotisch aufgewickelt sein.
15:03
So we'llGut have to use our computersComputer
326
888000
2000
Wir müssen also unsere Computer benutzen
15:05
to try to unscrambleentschlüsseln the chainKette.
327
890000
3000
um diese Ketten zu entwirren.
15:08
And if we can do that,
328
893000
2000
Wenn wir das können,
15:10
the sequenceSequenz of the neuronsNeuronen we recovererholen from that unscramblingUnscrambling
329
895000
3000
wird die Nervenzellensequenz, die wir durch das entwirren erhalten
15:13
will be a predictionPrognose of the patternMuster of neuralneuronale activityAktivität
330
898000
3000
eine Vorhersage der Muster der neuronalen Aktivität sein
15:16
that is replayedwiedergegeben in the brainGehirn duringwährend memoryErinnerung recallerinnern.
331
901000
3000
welche abgespielt wird während des Erinnerungsprozesses.
15:19
And if that were successfulerfolgreich,
332
904000
2000
Wenn wir das geschafft haben,
15:21
that would be the first exampleBeispiel of readingLesen a memoryErinnerung from a connectomeConnectome.
333
906000
3000
wäre dies ein erstes Beispiel für das Auslesen einer Erinnerung aus einem Connectome.
15:28
(LaughterLachen)
334
913000
2000
(Gelächter)
15:30
What a messChaos --
335
915000
2000
Was für eine Unordnung.
15:33
have you ever triedversucht to wireDraht up a systemSystem
336
918000
2000
Haben sie jemals versucht solch ein komplexes
15:35
as complexKomplex as this?
337
920000
2000
System wie dieses zu verkabeln?
15:37
I hopeHoffnung not.
338
922000
2000
Ich hoffe nicht.
15:39
But if you have, you know it's very easyeinfach to make a mistakeFehler.
339
924000
3000
Aber wenn sie haben, dann wissen Sie, dass sehr leicht Fehler passieren.
15:45
The branchesFilialen of neuronsNeuronen are like the wiresDrähte of the brainGehirn.
340
930000
2000
Die Nervenzellenzweige sind wie Adern des Gehirns.
15:47
Can anyonejemand guessvermuten: what's the totalgesamt lengthLänge of wiresDrähte in your brainGehirn?
341
932000
4000
Kann jemand die Gesamtlänge innerhalb Ihres Gehirns schätzen?
15:54
I'll give you a hintHinweis. It's a biggroß numberNummer.
342
939000
2000
Ich gebe Euch einen Hinweis. Es ist eine hohe Zahl.
15:56
(LaughterLachen)
343
941000
2000
(Gelächter)
15:59
I estimateschätzen, millionsMillionen of milesMeilen,
344
944000
3000
Ich schätze Milliarden von Meilen.
16:02
all packedverpackt in your skullSchädel.
345
947000
3000
Alle verpackt in unserem Schädel.
16:05
And if you appreciateschätzen that numberNummer,
346
950000
2000
Wenn Sie diese Zahl würdigen,
16:07
you can easilyleicht see
347
952000
2000
dann können sie leicht erahnen
16:09
there is hugeenorm potentialPotenzial for mis-wiringfalsche Verkabelung of the brainGehirn.
348
954000
2000
dass es ein großes Potential für Fehlverbindungen im Gehirn gibt.
16:11
And indeedtatsächlich, the popularBeliebt pressDrücken Sie lovesliebt headlinesSchlagzeilen like,
349
956000
3000
Und tatsächlich, die Boulevardpresse liebt Schlagzeilen wie
16:14
"AnorexicMagersüchtig brainsGehirne are wiredverdrahtet differentlyanders,"
350
959000
2000
"Gehirne Magersüchtiger sind anders verknüpft"
16:16
or "AutisticAutistische brainsGehirne are wiredverdrahtet differentlyanders."
351
961000
2000
oder "Gehirne von Autisten sind anders verknüpft."
16:18
These are plausibleplausible claimsAnsprüche,
352
963000
2000
Dies sind glaubhafte Behauptungen,
16:20
but in truthWahrheit,
353
965000
2000
aber in Wahrheit
16:22
we can't see the brain'sGehirn wiringVerdrahtung clearlydeutlich enoughgenug
354
967000
2000
können wir die Verknüpfungen des Gehirns nicht klar genug sehen
16:24
to tell if these are really truewahr.
355
969000
2000
um dies wirklich zu beurteilen.
16:26
And so the technologiesTechnologien for seeingSehen connectomesConnectome
356
971000
3000
Deshalb werden uns die Techniken zum Entdecken eines Connectomes
16:29
will allowzulassen us to finallyendlich
357
974000
2000
endlich erlauben
16:31
readlesen mis-wiringfalsche Verkabelung of the brainGehirn,
358
976000
2000
falsche Verknüpfungen im Gehirn auszulesen
16:33
to see mentalgeistig disordersStörungen in connectomesConnectome.
359
978000
3000
und Geistesstörungen im Connectome zu entdecken.
16:40
SometimesManchmal the bestBeste way to testTest a hypothesisHypothese
360
985000
3000
Manchmal ist der beste Weg eine Hypothese zu testen
16:43
is to considerErwägen its mostdie meisten extremeextrem implicationImplikation.
361
988000
3000
die extremsten Folgen zu betrachten.
16:46
PhilosophersPhilosophen know this gameSpiel very well.
362
991000
3000
Philosophen kennen diese Vorgehensweise sehr gut.
16:50
If you believe that I am my connectomeConnectome,
363
995000
3000
Wenn sie an "Ich bin mein Connectome" glauben,
16:53
I think you mustsollen alsoebenfalls acceptakzeptieren the ideaIdee
364
998000
3000
dann müssen sie meiner Meinung nach auch die Idee
16:56
that deathTod is the destructionZerstörung
365
1001000
2000
akzeptieren, dass der Tod die Zerstörung
16:58
of your connectomeConnectome.
366
1003000
3000
des Connectomes ist.
17:02
I mentionerwähnen this because there are prophetsPropheten todayheute
367
1007000
3000
Ich erwähne dies, weil es heutzutage Propheten gibt,
17:05
who claimAnspruch that technologyTechnologie
368
1010000
3000
die Behaupten das die Technik
17:08
will fundamentallygrundlegend alterändern the humanMensch conditionBedingung
369
1013000
3000
die menschliche Lebensweise grundlegend ändern wird
17:11
and perhapsvielleicht even transformverwandeln the humanMensch speciesSpezies.
370
1016000
3000
oder sogar die gesamte Menschheit.
17:14
One of theirihr mostdie meisten cherishedgehegt und gepflegt dreamsTräume
371
1019000
3000
Eine ihrer langgehegten Träume
17:17
is to cheatbetrügen deathTod
372
1022000
2000
ist es, den Tod durch
17:19
by that practicetrainieren knownbekannt as cryonicsKryonik.
373
1024000
2000
ein Verfahren namens Kryonik zu überlisten.
17:21
If you payZahlen 100,000 dollarsDollar,
374
1026000
2000
Für 100.000 Dollar
17:23
you can arrangevereinbaren to have your bodyKörper frozengefroren after deathTod
375
1028000
3000
können Sie vereinbaren, dass ihr Körper nach ihrem Tod eingefroren
17:26
and storedgespeichert in liquidFlüssigkeit nitrogenStickstoff
376
1031000
2000
und in flüssigen Stickstoff
17:28
in one of these tanksTanks in an ArizonaArizona warehouseWarenhaus,
377
1033000
2000
in einem dieser Behälter in einem Lagerhaus in Arizona gelagert wird,
17:30
awaitingwarten auf a futureZukunft civilizationZivilisation
378
1035000
2000
um eine zukünftige Zivilisation abzuwarten,
17:32
that is advancedfortgeschritten to resurrectwiederbeleben you.
379
1037000
3000
die fortschrittlich genug ist um sie wiederzubeleben.
17:36
Should we ridiculeSpott the modernmodern seekerssuchende of immortalityUnsterblichkeit,
380
1041000
2000
Sollten wir diese modernen Sucher nach Unsterblichkeit verspotten,
17:38
callingBerufung them foolsNarren?
381
1043000
2000
sie Narren nennen?
17:40
Or will they somedayirgendwann mal chuckleKichern
382
1045000
2000
Oder werden sie eines Tages
17:42
over our gravesGräber?
383
1047000
2000
über unseren Gräbern in sich hineinlachen.
17:45
I don't know --
384
1050000
2000
Ich weiß es nicht.
17:47
I preferbevorzugen to testTest theirihr beliefsÜberzeugungen, scientificallywissenschaftlich.
385
1052000
3000
Ich ziehe es vor ihren Glauben wissenschaftlich in Frage zu stellen.
17:50
I proposevorschlagen that we attemptVersuch to find a connectomeConnectome
386
1055000
2000
Ich schlage vor wir versuchen ein Connectome
17:52
of a frozengefroren brainGehirn.
387
1057000
2000
in einem gefrorenen Gehirn zu finden.
17:54
We know that damageBeschädigung to the brainGehirn
388
1059000
2000
Wir wissen das der Schaden am Gehirn
17:56
occurstritt ein after deathTod and duringwährend freezingEinfrieren.
389
1061000
2000
kurz nach dem Tod durch Frost verursacht wird.
17:58
The questionFrage is: has that damageBeschädigung erasedgelöscht the connectomeConnectome?
390
1063000
3000
Die Frage ist: Löscht dieser Schaden das Connectome aus?
18:01
If it has, there is no way that any futureZukunft civilizationZivilisation
391
1066000
3000
Wenn das der Fall ist, gibt es keinen Weg, dass eine zukünftige Zivilisation
18:04
will be ablefähig to recovererholen the memoriesErinnerungen of these frozengefroren brainsGehirne.
392
1069000
3000
in der Lage sein wird, Erinnerungen aus diesen gefrorenen Gehirnen wiederherzustellen.
18:07
ResurrectionAuferstehung mightMacht succeedgelingen for the bodyKörper,
393
1072000
2000
Auferstehung mag für den Körper funktionieren,
18:09
but not for the mindVerstand.
394
1074000
2000
aber nicht für den Verstand.
18:11
On the other handHand, if the connectomeConnectome is still intactintakt,
395
1076000
3000
Ist andererseits das Connectome immer noch intakt
18:14
we cannotnicht können ridiculeSpott the claimsAnsprüche of cryonicsKryonik so easilyleicht.
396
1079000
3000
können wir nicht so einfach die Behauptung der Kyonik verspotten.
18:20
I've describedbeschrieben a questSuche
397
1085000
2000
Ich habe eine suche Beschrieben,
18:22
that beginsbeginnt in the worldWelt of the very smallklein,
398
1087000
3000
welche im Mikrokosmos beginnt
18:25
and propelstreibt us to the worldWelt of the farweit futureZukunft.
399
1090000
3000
und uns in die weite Welt der Zukunft führt.
18:28
ConnectomesConnectome will markKennzeichen a turningDrehen pointPunkt in humanMensch historyGeschichte.
400
1093000
3000
Connectomes werden einen Wendepunkt in der Geschichte der Menschen darstellen.
18:32
As we evolvedentwickelt from our ape-likeAffe-wie ancestorsVorfahren
401
1097000
2000
Als wir von unseren tierischen Verwandten
18:34
on the AfricanAfrikanische savannaSavanne,
402
1099000
2000
aus der afrikanischen Savanne entwickelt haben,
18:36
what distinguishedausgezeichnet us was our largergrößer brainsGehirne.
403
1101000
3000
zeichneten uns unsere größeren Gehirne aus.
18:40
We have used our brainsGehirne to fashionMode
404
1105000
2000
Wir haben unsere Gehirne benutzt um
18:42
ever more amazingtolle technologiesTechnologien.
405
1107000
3000
immer faszinierendere Technik zu entwickeln
18:45
EventuallySchließlich, these technologiesTechnologien will becomewerden so powerfulmächtig
406
1110000
3000
Eventuell wird diese Technik in der Lage sein,
18:48
that we will use them to know ourselvesuns selbst
407
1113000
3000
dass wir uns selber kennenlernen
18:51
by deconstructingDekonstruktion and reconstructingRekonstruktion von
408
1116000
3000
durch Auseinandernehmen und Zusammensetzen
18:54
our ownbesitzen brainsGehirne.
409
1119000
3000
unseres eigenen Gehirns.
18:57
I believe that this voyageReise of self-discoverySelbstfindung
410
1122000
3000
Ich glaube, das diese weiter Reise der Selbsterkenntnis
19:00
is not just for scientistsWissenschaftler,
411
1125000
3000
ist nicht nur für Wissenschaftler,
19:03
but for all of us.
412
1128000
2000
sondern für uns alle.
19:05
And I'm gratefuldankbar for the opportunityGelegenheit to shareAktie this voyageReise with you todayheute.
413
1130000
3000
Ich bin dankbar für diese Gelegenheit diese weite Reise mit Ihnen heute zu teilen.
19:08
Thank you.
414
1133000
2000
Vielen Dank.
19:10
(ApplauseApplaus)
415
1135000
8000
(Applaus)
Translated by Jan Weidner
Reviewed by Lex Asobo

▲Back to top

ABOUT THE SPEAKER
Sebastian Seung - Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain.

Why you should listen

In the brain, neurons are connected into a complex network. Sebastian Seung and his lab at MIT are inventing technologies for identifying and describing the connectome, the totality of connections between the brain's neurons -- think of it as the wiring diagram of the brain. We possess our entire genome at birth, but things like memories are not "stored" in the genome; they are acquired through life and accumulated in the brain. Seung's hypothesis is that "we are our connectome," that the connections among neurons is where memories and experiences get stored.

Seung and his collaborators, including Winfried Denk at the Max Planck Institute and Jeff Lichtman at Harvard University, are working on a plan to thin-slice a brain (probably starting with a mouse brain) and trace, from slice to slice, each neural pathway, exposing the wiring diagram of the brain and creating a powerful new way to visualize the workings of the mind. They're not the first to attempt something like this -- Sydney Brenner won a Nobel for mapping all the 7,000 connections in the nervous system of a tiny worm, C. elegans. But that took his team a dozen years, and the worm only had 302 nerve cells. One of Seung's breakthroughs is in using advanced imagining and AI to handle the crushing amount of data that a mouse brain will yield and turn it into richly visual maps that show the passageways of thought and sensation.

More profile about the speaker
Sebastian Seung | Speaker | TED.com