ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.

Why you should listen

Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.

Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.

More profile about the speaker
Jeff Hawkins | Speaker | TED.com
TED2003

Jeff Hawkins: How brain science will change computing

Jeff Hawkins - om hvordan hjerneforskning vil endre datamaskiner

Filmed:
1,674,773 views

Jeff Hawkins, mannen bak Treo, oppfordrer oss til å se på hjernen i et nytt perspektiv. Han mener vi ikke skal se den som en rask prosessor, men heller som et minnesystem som lagrer og spiller av erfaringer for å hjelpe oss å forutse det neste som skal skje.
- Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio

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

00:25
I do two things: I designdesign mobilemobil computersdatamaskiner and I studystudere brainshjerner.
0
0
3000
Jeg gjør to ting. Jeg designer mobile datamaskiner og jeg studerer hjerner.
00:29
And today'sdagens talk is about brainshjerner and,
1
4000
2000
Og i dag skal jeg prate om hjerner og,
00:31
yayJippi, somewhereet sted I have a brainhjerne fanfan out there.
2
6000
2000
hei, det er en hjernefan her.
00:33
(LaughterLatter)
3
8000
2000
(Latter)
00:35
I'm going to, if I can have my first slidelysbilde up here,
4
10000
2000
Jeg skal, om jeg kan få mitt første lysbilde opp her...
00:37
and you'llvil du see the titletittel of my talk and my two affiliationstilknytninger.
5
12000
4000
du vil se tittelen på mitt foredrag og mine to tilknytninger.
00:41
So what I'm going to talk about is why we don't have a good brainhjerne theoryteori,
6
16000
4000
Så, det jeg skal prate om er hvorfor vi ikke har en god teori om hvordan hjernen virker,
00:45
why it is importantviktig that we should developutvikle one and what we can do about it.
7
20000
3000
hvorfor det er viktig at vi bør utvikle en og hvordan vi kan gjøre det.
00:48
And I'll try to do all that in 20 minutesminutter. I have two affiliationstilknytninger.
8
23000
3000
Og jeg skal prøve å fortelle alt dette på 20 minutter. Jeg har to tilknytninger.
00:51
MostDe fleste of you know me from my PalmPalm and HandspringHandspring daysdager,
9
26000
3000
De fleste av dere kjenner meg fra mine Palm Pilot- og Handspringdager,
00:54
but I alsoogså runløpe a nonprofitnonprofit scientificvitenskapelig researchforskning instituteinstitutt
10
29000
3000
men jeg driver også en ideell organisasjon, et vitenskaplig forskningsinstitutt
00:57
calledkalt the RedwoodRedwood NeuroscienceNevrovitenskap InstituteInstitutt in MenloMenlo ParkPark,
11
32000
2000
kalt Redwood Nevrovitenskaplige institutt i Menlo Park,
00:59
and we studystudere theoreticalteoretisk neurosciencenevrovitenskap,
12
34000
2000
og vi studerer teoretisk nevrovitenskap,
01:01
and we studystudere how the neocortexneocortex worksvirker.
13
36000
2000
og vi studerer hvordan hjernebarken fungerer.
01:03
I'm going to talk all about that.
14
38000
2000
Jeg kommer bare til å prate om det.
01:05
I have one slidelysbilde on my other life, the computerdatamaskin life, and that's the slidelysbilde here.
15
40000
3000
Jeg har bare ett lysbilde om mitt andre liv, datamaskinlivet, og det er det lysbildet dere ser her.
01:08
These are some of the productsProdukter I've workedarbeidet on over the last 20 yearsår,
16
43000
3000
Dette er noen av produktene jeg har jobbet med i de siste 20 årene,
01:11
startingstarter back from the very originalopprinnelig laptoplaptop to some of the first tablettavle computersdatamaskiner
17
46000
4000
jeg startet med en av de aller første bærbare datamaskinene og notatblokk PC-er
01:15
and so on, and endingending up mostmest recentlynylig with the TreoTreo,
18
50000
2000
også videre, og endte senest opp med Treo,
01:17
and we're continuingfortsetter to do this.
19
52000
2000
og vi fortsetter å med å jobbe med dette.
01:19
And I've doneferdig this because I really believe that mobilemobil computingdatabehandling
20
54000
2000
Og jeg har gjort dette fordi jeg virkelig tror at bærbare datamaskiner
01:21
is the futureframtid of personalpersonlig computingdatabehandling, and I'm tryingprøver to make the worldverden
21
56000
3000
er fremtiden til personlige datamaskiner og jeg prøver å gjøre verden
01:24
a little bitbit better by workingarbeider on these things.
22
59000
3000
bitte litt bedre ved å jobbe med disse tingene.
01:27
But this was, I have to admitinnrømme, all an accidentulykke.
23
62000
2000
Jeg må innrømme at dette faktisk var et uhell.
01:29
I really didn't want to do any of these productsProdukter
24
64000
2000
Jeg ville egentlig ikke jobbe med noen av disse produktene
01:31
and very earlytidlig in my careerkarriere I decidedbesluttet
25
66000
2000
og tidlig i min karriere bestemte jeg meg for at
01:33
I was not going to be in the computerdatamaskin industryindustri.
26
68000
3000
jeg ikke skulle forbli i datamaskinindustrien.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Og før jeg forteller deg om det må jeg bare fortelle deg om
01:38
this one little picturebilde of graffitiGraffiti there I pickedplukket off the webweb the other day.
28
73000
2000
dette lille bildet av graffiti som jeg fant på weben her om dagen.
01:40
I was looking for a picturebilde of graffitiGraffiti, little texttekst inputinngang languageSpråk,
29
75000
3000
Jeg leitet etter et bilde av graffiti,
01:43
and I foundfunnet the websitenettsted dedicateddedikerte to teacherslærere who want to make these,
30
78000
3000
og jeg fant en webside for lærere som vil lage slike,
01:46
you know, the scriptskriptet writingskriving things acrosspå tvers the toptopp of theirderes blackboardtavle,
31
81000
3000
du vet, slike som man skriver ting på og henger opp over krittavlen,
01:49
and they had addedla til graffitiGraffiti to it, and I'm sorry about that.
32
84000
3000
og de hadde dekorert disse med graffiti, og det er jeg lei meg for.
01:52
(LaughterLatter)
33
87000
2000
(Latter)
01:54
So what happenedskjedde was, when I was youngung and got out of engineeringprosjektering schoolskole
34
89000
5000
Så, det som skjedde var at, når jeg var ung og gikk ut av ingeniørskolen i
01:59
at CornellCornell in '79, I decidedbesluttet -- I wentgikk to work for IntelIntel and
35
94000
4000
Cornell i 1979 bestemte jeg meg for å jobbe for Intel.
02:03
I was in the computerdatamaskin industryindustri -- and threetre monthsmåneder into that,
36
98000
3000
Jeg jobbet i datamaskinindustrien, og tre måneder senere
02:06
I fellfalt in love with something elseellers, and I said, "I madelaget the wrongfeil careerkarriere choicevalg here,"
37
101000
4000
forelsket jeg meg i noe annet, og sa til meg selv: "Jeg gjorde feil karrierevalg",
02:10
and I fellfalt in love with brainshjerner.
38
105000
3000
og forelsket meg i hjerner.
02:13
This is not a realekte brainhjerne. This is a picturebilde of one, a linelinje drawingtegning.
39
108000
3000
Dette er ikke en ekte hjerne. Dette er en strektegning av en hjerne.
02:16
But I don't rememberhuske exactlynøyaktig how it happenedskjedde,
40
111000
3000
Men jeg husker ikke helt hva som skjedde,
02:19
but I have one recollectionerindring, whichhvilken was prettyganske strongsterk in my mindsinn.
41
114000
3000
men jeg har et minne som jeg husker godt.
02:22
In SeptemberSeptember 1979, ScientificVitenskapelige AmericanAmerikanske camekom out
42
117000
3000
I september 1979 kom magasinet Scientific American ut
02:25
with a singleenkelt topicemne issueutgave about the brainhjerne. And it was quiteganske good.
43
120000
3000
i en utgave som bare omhandlet hjerner. Og det var en veldig bra utgave.
02:28
It was one of the bestbeste issuesproblemer ever. And they talkedsnakket about the neuronnevron
44
123000
3000
Faktisk var det en av de beste utgavene noensinne. Og det handlet om hjerneceller
02:31
and developmentutvikling and diseasesykdom and visionsyn and all the things
45
126000
2000
og utvikling og sykdommer og visjoner og alt
02:33
you mightkanskje want to know about brainshjerner. It was really quiteganske impressiveimponerende.
46
128000
3000
du kan tenkes å lure på om hjerner. Det var virkelig imponerende.
02:36
And one mightkanskje have the impressioninntrykk that we really knewvisste a lot about brainshjerner.
47
131000
3000
Og man kan få inntrykk av at vi vet mye om hjernen.
02:39
But the last articleartikkel in that issueutgave was writtenskrevet by FrancisFrancis CrickCrick of DNADNA fameberømmelse.
48
134000
4000
Men den siste artikkelen i denne utgaven var skrevet av Francis Crick, kjent for oppdagelsen av DNA.
02:43
TodayI dag is, I think, the 50thth anniversaryjubileum of the discoveryoppdagelse of DNADNA.
49
138000
3000
Jeg tror forresten dagen i dag er 50 års dagen for oppdagelsen av DNA.
02:46
And he wroteskrev a storyhistorie basicallyi utgangspunktet sayingordtak,
50
141000
2000
Og han skrev en historie hvor han hovedsaklig sa,
02:48
well, this is all well and good, but you know what,
51
143000
3000
tja, dette er vel og bra. Men vet du hva?
02:51
we don't know diddleyDiddley squatknebøy about brainshjerner
52
146000
2000
Vi vet ikke noe som helst om hjerner
02:53
and no one has a clueanelse how these things work,
53
148000
2000
og ingen aner noe om hvordan disse fungerer,
02:55
so don't believe what anyonehvem som helst tellsforteller you.
54
150000
2000
så ikke tro på noe av det du blir fortalt.
02:57
This is a quotesitat from that articleartikkel. He said, "What is conspicuouslytydelig lackingmangler,"
55
152000
3000
Dette er et sitat fra artikkelen. Han sa: "Hva som åpenbart mangler",
03:00
he's a very properriktig BritishBritiske gentlemanherre so, "What is conspicuouslytydelig lackingmangler
56
155000
4000
han er en anstendig britisk herremann, "Hva som åpenbart mangler
03:04
is a broadbred frameworkrammeverk of ideasideer in whichhvilken to interprettolke these differentannerledes approachestilnærminger."
57
159000
3000
er et bredt rammeverk som kan benyttes til å tolke ulike tilnærminger".
03:07
I thought the wordord frameworkrammeverk was great.
58
162000
2000
Jeg syntes at ordet rammeverk var genialt.
03:09
He didn't say we didn't even have a theoryteori. He sayssier,
59
164000
2000
Han sa ikke at vi ikke hadde en teori. Han sa at:
03:11
we don't even know how to beginbegynne to think about it --
60
166000
2000
vi ikke engang vet hvordan vi skal begynne å tenke på det --
03:13
we don't even have a frameworkrammeverk.
61
168000
2000
vi har ikke engang et rammeverk.
03:15
We are in the pre-paradigmpre paradigme daysdager, if you want to use ThomasThomas KuhnKuhn.
62
170000
3000
Vi er i de preparadigme dagene, som Thomas Kuhn ville sagt.
03:18
And so I fellfalt in love with this, and said look,
63
173000
3000
Også forelsket jeg meg i dette, og sa hør her,
03:21
we have all this knowledgekunnskap about brainshjerner. How hardhard can it be?
64
176000
3000
vi har en masse kunnskap om hjerner. Hvor vanskelig kan det være?
03:24
And this is something we can work on my lifetimelivstid. I feltfølte I could make a differenceforskjell,
65
179000
3000
Og her kan vi utrette noe i min livstid. Jeg følte jeg kunne gjøre en forskjell,
03:27
and so I triedprøvd to get out of the computerdatamaskin businessvirksomhet, into the brainhjerne businessvirksomhet.
66
182000
4000
så jeg prøvde å komme ut av datamaskinindustrien og inn i hjernemiljøet.
03:31
First, I wentgikk to MITMIT, the AIAI lablab was there,
67
186000
2000
Først gikk jeg til MIT, der fantes det ett kunstig intelligens-laboratorium,
03:33
and I said, well, I want to buildbygge intelligentintelligent machinesmaskiner, too,
68
188000
2000
og sa at jeg vil lage intelligente maskiner jeg også.
03:35
but the way I want to do it is to studystudere how brainshjerner work first.
69
190000
3000
Men måten jeg vil gjøre det på er å studere hjerner først.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Og de sa, å, du trenger ikke å gjøre det.
03:41
We're just going to programprogram computersdatamaskiner; that's all we need to do.
71
196000
2000
Vi kommer bare til å programmere datamaskiner, det er det vi trenger å gjøre.
03:43
And I said, no, you really oughtburde to studystudere brainshjerner. They said, oh, you know,
72
198000
3000
Og jeg sa nei, det dere bør gjøre er å studere hjerner. De sa, å nei
03:46
you're wrongfeil. And I said, no, you're wrongfeil, and I didn't get in.
73
201000
2000
du tar feil. Og jeg sa, nei, dere tar feil, også fikk jeg ikke innpass.
03:48
(LaughterLatter)
74
203000
1000
(Latter)
03:50
But I was a little disappointedskuffet -- prettyganske youngung -- but I wentgikk back again
75
205000
2000
Men jeg var litt skuffet -- nokså ung, men jeg returnerte
03:52
a few yearsår laterseinere and this time was in CaliforniaCalifornia, and I wentgikk to BerkeleyBerkeley.
76
207000
3000
et par år senere og denne gangen til California og gikk da til Berkeley.
03:55
And I said, I'll go in from the biologicalbiologisk sideside.
77
210000
4000
Og sa, jeg vil gå inn fra den biologiske siden.
03:59
So I got in -- in the PhPH.D. programprogram in biophysicsbiofysikk, and I was, all right,
78
214000
3000
Så jeg kom inn -- i et doktogradsprogram i biofysikk, og jeg følte det var bra.
04:02
I'm studyingstudere brainshjerner now, and I said, well, I want to studystudere theoryteori.
79
217000
3000
Jeg studerer hjerner nå og sa, vel, jeg vil studere teori.
04:05
And they said, oh no, you can't studystudere theoryteori about brainshjerner.
80
220000
2000
Og de sa, å nei, du kan ikke studere teori om hjerner.
04:07
That's not something you do. You can't get fundedfinansiert for that.
81
222000
2000
Det er ikke noe man gjør. Du kan ikke få støtte til det.
04:09
And as a graduateuteksamineres studentstudent, you can't do that. So I said, oh my goshgosh.
82
224000
4000
Og som uteksaminert, kan du ikke gjøre det. Så jeg sa, å søren.
04:13
I was very depresseddeprimert. I said, but I can make a differenceforskjell in this fieldfelt.
83
228000
2000
Jeg var veldig deprimert. Jeg sa, men jeg kan gjøre en forskjell på dette området.
04:15
So what I did is I wentgikk back in the computerdatamaskin industryindustri
84
230000
3000
Så det jeg gjorde var å returnere til datamaskinindustrien
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
og sa, vel jeg må jobbe her en stund, jeg må ha noe å gjøre.
04:20
That's when I designedutformet all those computerdatamaskin productsProdukter.
86
235000
3000
Det var da jeg designet alle de datamaskinproduktene.
04:23
(LaughterLatter)
87
238000
1000
(Latter)
04:24
And I said, I want to do this for fourfire yearsår, make some moneypenger,
88
239000
3000
Og jeg sa, jeg vil gjøre dette i 4 år for å tjene litt penger,
04:27
like I was havingha a familyfamilie, and I would matureeldre a bitbit,
89
242000
4000
jeg var i prosessen med å etablere familie, kanskje kunne jeg modnes litt,
04:31
and maybe the businessvirksomhet of neurosciencenevrovitenskap would matureeldre a bitbit.
90
246000
3000
og kanskje også nevrovitenskapen da hadde modnet litt.
04:34
Well, it tooktok longerlenger than fourfire yearsår. It's been about 16 yearsår.
91
249000
3000
Vel, det tok litt mer enn 4 år. Det har gått omtrent 16 år.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Men jeg gjør det nå, og jeg skal fortelle dere om det.
04:39
So why should we have a good brainhjerne theoryteori?
93
254000
3000
Så hvorfor trenger vi en god teori om hjernen?
04:42
Well, there's lots of reasonsgrunner people do sciencevitenskap.
94
257000
3000
Vel, det er flere grunner til at folk driver med vitenskap.
04:45
One is -- the mostmest basicgrunnleggende one is -- people like to know things.
95
260000
3000
En av grunnene -- den mest grunnlegende -- er at mennesker liker å vite ting.
04:48
We're curiousnysgjerrig, and we just go out and get knowledgekunnskap, you know?
96
263000
2000
Vi er nysgjerrige, og vi er sugne på å få kunnskap, ikke sant?
04:50
Why do we studystudere antsmaur? Well, it's interestinginteressant.
97
265000
2000
Hvorfor studerer vi maur? Vel, det er interessant.
04:52
Maybe we'llvi vil learnlære something really usefulnyttig about it, but it's interestinginteressant and fascinatingfascinerende.
98
267000
3000
Kanskje lærer vi noe virkelig viktig om dem, men det er interessant og fasinerende.
04:55
But sometimesnoen ganger, a sciencevitenskap has some other attributesattributter
99
270000
2000
Men noen ganger har en vitenskap noe ved seg
04:57
whichhvilken makesgjør at it really, really interestinginteressant.
100
272000
2000
som gjør det veldig, veldig interessant.
04:59
SometimesNoen ganger a sciencevitenskap will tell something about ourselvesoss,
101
274000
3000
Noen ganger vil vitenskap fortelle oss noe om oss selv,
05:02
it'lldet vil tell us who we are.
102
277000
1000
den kan fortelle oss hvem vi er.
05:03
RarelySjelden, you know: evolutionutvikling did this and CopernicusKopernikus did this,
103
278000
3000
En sjelden gang - evolusjonen ga oss dette og Copernicus ga oss dette -
05:06
where we have a newny understandingforståelse of who we are.
104
281000
2000
så får vi ny forståelse av hvem vi er.
05:08
And after all, we are our brainshjerner. My brainhjerne is talkingsnakker to your brainhjerne.
105
283000
4000
Og vi er jo våre hjerner. Min hjerne prater til din hjerne.
05:12
Our bodiesorganer are hanginghenger alonglangs for the rideri, but my brainhjerne is talkingsnakker to your brainhjerne.
106
287000
3000
Våre kropper henger med på turen, men min hjerne prater med din hjerne.
05:15
And if we want to understandforstå who we are and how we feel and perceiveoppfatter,
107
290000
3000
Og hvis vi vil forstå hvem vi er og hvordan vi føler og sanser
05:18
we really understandforstå what brainshjerner are.
108
293000
2000
må vi faktisk forstå hva hjerner er.
05:20
AnotherEn annen thing is sometimesnoen ganger sciencevitenskap
109
295000
2000
En annen ting er at vitenskap noen ganger
05:22
leadsleads to really bigstor societalsamfunnsmessige benefitsfordeler and technologiesteknologier,
110
297000
2000
leder oss til virkelig store samfunnsmessige fordeler og teknologier,
05:24
or businessesbedrifter, or whateversamme det, that come out of it. And this is one, too,
111
299000
2000
eller forretningsmuligheter, eller hva som enn kommer ut av det. Og dette
05:26
because when we understandforstå how brainshjerner work, we're going to be ablei stand
112
301000
3000
er også et poeng, når vi forstår hvordan hjerner virker kommer vil til å kunne
05:29
to buildbygge intelligentintelligent machinesmaskiner, and I think that's actuallyfaktisk a good thing on the wholehel,
113
304000
3000
bygge intelligente maskiner, og dette tror jeg vil bli en god ting for verden,
05:32
and it's going to have tremendousenorm benefitsfordeler to societysamfunn,
114
307000
2000
og det kommer til å ha enorme fordeler for samfunnet
05:34
just like a fundamentalfundamental technologyteknologi.
115
309000
2000
på samme måte som fundamental teknologi gjorde.
05:36
So why don't we have a good theoryteori of brainshjerner?
116
311000
2000
Så hvorfor skulle vi ikke ha en god teori om hjerner?
05:38
And people have been workingarbeider on it for 100 yearsår.
117
313000
3000
Mennesker har jobbet med det i 100 år.
05:41
Well, let's first take a look at what normalnormal sciencevitenskap looksutseende like.
118
316000
2000
Vel, la oss først ta en kikk på andre vitenskaplige retninger og se hva de har gjort de siste 100 år.
05:43
This is normalnormal sciencevitenskap.
119
318000
2000
Andre vitenskaplige retninger gjør som følger.
05:45
NormalNormal sciencevitenskap is a nicehyggelig balancebalansere betweenmellom theoryteori and experimentalistsexperimentalists.
120
320000
4000
Vanligvis arbeider disse i en god balanse mellom teorier og eksperimenter.
05:49
And so the theoristteoretiker guys say, well, I think this is what's going on,
121
324000
2000
Så teoretikeren sier, jeg tror dette er det som skjer,
05:51
and the experimentalistexperimentalist sayssier, no, you're wrongfeil.
122
326000
2000
og de som eksperimenterer sier, nei du tar feil.
05:53
And it goesgår back and forthvidere, you know?
123
328000
2000
Og slik går det frem og tilbake.
05:55
This worksvirker in physicsfysikk. This worksvirker in geologygeologi. But if this is normalnormal sciencevitenskap,
124
330000
2000
Dette fungerer innen fysikken. Det fungerer innen geologien. Men hvis dette er slik vitenskaper normalt fungerer,
05:57
what does neurosciencenevrovitenskap look like? This is what neurosciencenevrovitenskap looksutseende like.
125
332000
3000
hva med hjerneforskningen? Slik ser hjerneforskningen ut.
06:00
We have this mountainfjell of datadata, whichhvilken is anatomyanatomi, physiologyfysiologi and behavioroppførsel.
126
335000
5000
Vi har et fjell av informasjon i form av anatomi, fysiologi og adferd.
06:05
You can't imagineForestill deg how much detaildetalj we know about brainshjerner.
127
340000
3000
Du kan ikke fatte hvor mye detaljer vi vet om hjerner.
06:08
There were 28,000 people who wentgikk to the neurosciencenevrovitenskap conferencekonferanse this yearår,
128
343000
4000
Det var 28 000 mennesker på hjerneforskningskonferanse i år,
06:12
and everyhver one of them is doing researchforskning in brainshjerner.
129
347000
2000
og alle disse forsker på hjerner.
06:14
A lot of datadata. But there's no theoryteori. There's a little, wimpypysete boxeske on toptopp there.
130
349000
4000
En masse informasjon men ingen teori. En bitte liten boks på toppen her.
06:18
And theoryteori has not playedspilt a rolerolle in any sortsortere of grandgrand way in the neurosciencesnevrovitenskap.
131
353000
5000
Og teori har ikke spilt en rolle i noen stor grad innen hjerneforskning.
06:23
And it's a realekte shameskam. Now why has this come about?
132
358000
3000
Og det er en skam. Hvordan skjedde dette egentlig?
06:26
If you askspørre neuroscientistsnevrologer, why is this the statestat of affairaffære,
133
361000
2000
Om du spør en hjerneforsker, hvorfor er det slik?
06:28
they'llde vil first of all admitinnrømme it. But if you askspørre them, they'llde vil say,
134
363000
3000
De er de første til å innrømme at det er slik. Men hvis du spør vill de si,
06:31
well, there's variousdiverse reasonsgrunner we don't have a good brainhjerne theoryteori.
135
366000
3000
vel, det er ulike grunner til at vi ikke har en god teori om hjerner.
06:34
Some people say, well, we don't still have enoughnok datadata,
136
369000
2000
Noen sier, vel vi har ikke nok informasjon,
06:36
we need to get more informationinformasjon, there's all these things we don't know.
137
371000
3000
vi trenger mer informasjon, det er så mye vi ikke vet.
06:39
Well, I just told you there's so much datadata comingkommer out your earsører.
138
374000
3000
Vel, jeg fortalte akkurat at vi har så mye informasjon at det tyter ut av ørene.
06:42
We have so much informationinformasjon, we don't even know how to beginbegynne to organizeorganisere it.
139
377000
3000
Vi har så mye informasjon at vi ikke en vet hvordan vi skal begynne med å organisere den.
06:45
What good is more going to do?
140
380000
2000
Hvorfor skulle vi trenge mer?
06:47
Maybe we'llvi vil be luckyheldig and discoveroppdage some magicmagi thing, but I don't think so.
141
382000
3000
Kanskje har vi flaks og oppdager en eller annen magisk faktor, men jeg tror ikke det kommer til å skje.
06:50
This is actuallyfaktisk a symptomSymptom of the factfaktum that we just don't have a theoryteori.
142
385000
3000
Og dette er faktisk et symptom av at vi ikke har en teori.
06:53
We don't need more datadata -- we need a good theoryteori about it.
143
388000
3000
Vi trenger ikke mer data -- vi trenger en god teori.
06:56
AnotherEn annen one is sometimesnoen ganger people say, well, brainshjerner are so complexkomplekse,
144
391000
3000
I andre tilfeller sier noen at hjerner er så komplekse,
06:59
it'lldet vil take anotheren annen 50 yearsår.
145
394000
2000
at det kommer til å ta ytterlige 50 år.
07:01
I even think ChrisChris said something like this yesterdayi går.
146
396000
2000
Jeg tror faktisk til og med Chris sa noe sånt i går.
07:03
I'm not sure what you said, ChrisChris, but something like,
147
398000
2000
Jeg er ikke helt sikker på hva du sa Chris, men det var noe sånt,
07:05
well, it's one of the mostmest complicatedkomplisert things in the universeunivers. That's not trueekte.
148
400000
3000
vel, det er en av de mest kompliserte ting i universet. Det er faktisk ikke sant.
07:08
You're more complicatedkomplisert than your brainhjerne. You've got a brainhjerne.
149
403000
2000
Du er mer komplisert enn din hjerne. Du har jo en hjerne.
07:10
And it's alsoogså, althoughselv om the brainhjerne looksutseende very complicatedkomplisert,
150
405000
2000
Det er også sånn, selv om hjerner er komplekse, så er
07:12
things look complicatedkomplisert untilfør you understandforstå them.
151
407000
3000
ting komplekse inntil vi forstår dem.
07:15
That's always been the casesak. And so all we can say, well,
152
410000
3000
Det har alltid vært slik. Så alt vi kan si, vel,
07:18
my neocortexneocortex, whichhvilken is the partdel of the brainhjerne I'm interestedinteressert in, has 30 billionmilliarder cellsceller.
153
413000
4000
min hjernebark, som er den delen av hjernen jeg er interessert i, har 30 milliarder celler.
07:22
But, you know what? It's very, very regularregelmessig.
154
417000
2000
Men vet du hva? Den er veldig regelmessig.
07:24
In factfaktum, it looksutseende like it's the samesamme thing repeatedgjentas over and over and over again.
155
419000
3000
Faktisk så ser det ut som om det samme prinsippet gjelder hele veien.
07:27
It's not as complexkomplekse as it looksutseende. That's not the issueutgave.
156
422000
3000
Så den er ikke så kompleks som den ser ut. Det er ikke der problemet ligger.
07:30
Some people say, brainshjerner can't understandforstå brainshjerner.
157
425000
2000
Noen sier at hjerner kan ikke forstå hjerner.
07:32
Very Zen-likeZen-aktig. WhooWhoo. (LaughterLatter)
158
427000
3000
Veldig Zen-aktig. Whow. Ikke sant.
07:35
You know,
159
430000
1000
(Latter)
07:36
it soundslyder good, but why? I mean, what's the pointpunkt?
160
431000
3000
Det høres bra ut, men hvorfor? Jeg mener, hva er poenget?
07:39
It's just a bunchgjeng of cellsceller. You understandforstå your liverlever.
161
434000
3000
Det er jo bare en klase med celler. Du forstår jo hvordan leveren din fungerer.
07:42
It's got a lot of cellsceller in it too, right?
162
437000
2000
Den har jo også en masse celler, ikke sant.
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Så, jeg tror ikke det er noe i det.
07:46
And finallyendelig, some people say, well, you know,
164
441000
2000
Og den siste versjonen er at noen sier at, vel,
07:48
I don't feel like a bunchgjeng of cellsceller, you know. I'm consciousbevisst.
165
443000
4000
jeg føler meg ikke som en klase med celler, ikke sant. Jeg er bevisst.
07:52
I've got this experienceerfaring, I'm in the worldverden, you know.
166
447000
2000
Jeg har denne følelsen av å eksistere i verden.
07:54
I can't be just a bunchgjeng of cellsceller. Well, you know,
167
449000
2000
Så jeg kan ikke bare være en klase med celler.
07:56
people used to believe there was a life forcemakt to be livingliving,
168
451000
3000
Mennesker pleide å tro at det fantes en livskraft som opprettholdt livet
07:59
and we now know that's really not trueekte at all.
169
454000
2000
men vi vet nå at det faktisk ikke er sant.
08:01
And there's really no evidencebevis that sayssier -- well, other than people
170
456000
3000
Og det er faktisk ingen form for bevis for noe sånt, vel, annet enn at folk
08:04
just have disbeliefvantro that cellsceller can do what they do.
171
459000
2000
bare ikke kan tro at celler kan gjøre det de gjør.
08:06
And so, if some people have fallenfallen into the pitgrav of metaphysicalmetafysisk dualismdualisme,
172
461000
3000
Så om noen mennesker har falt i den metafysiske dualismefellen,
08:09
some really smartsmart people, too, but we can rejectAvvis all that.
173
464000
3000
noen virkelig smarte mennesker også, så kan vi bare avvise det.
08:12
(LaughterLatter)
174
467000
2000
(Latter)
08:14
No, I'm going to tell you there's something elseellers,
175
469000
3000
Nei, nå skal jeg fortelle dere noe annet,
08:17
and it's really fundamentalfundamental, and this is what it is:
176
472000
2000
og dette er virkelig fundamentalt, og det er:
08:19
there's anotheren annen reasongrunnen til why we don't have a good brainhjerne theoryteori,
177
474000
2000
det finnes en annen grunn til at vi ikke har en god teori om hvordan hjernen fungerer,
08:21
and it's because we have an intuitiveintuitiv, strongly-heldsterkt holdt,
178
476000
3000
og det er fordi vi har en intuitiv og sterk,
08:24
but incorrectfeil assumptionantagelse that has preventedforhindret us from seeingser the answersvar.
179
479000
5000
men feil antakelse som har hindret oss i å se svaret.
08:29
There's something we believe that just, it's obviousåpenbart, but it's wrongfeil.
180
484000
3000
Det noe vi tror er åpenbart, men som er feil.
08:32
Now, there's a historyhistorie of this in sciencevitenskap and before I tell you what it is,
181
487000
4000
Det er en historie om dette innen vitenskapen, men før jeg forteller om den,
08:36
I'm going to tell you a bitbit about the historyhistorie of it in sciencevitenskap.
182
491000
2000
så skal jeg fortelle dere litt om vitenskapshistorie.
08:38
You look at some other scientificvitenskapelig revolutionsrevolusjoner,
183
493000
2000
Ser man på noen andre vitenskaplige revolusjoner,
08:40
and this casesak, I'm talkingsnakker about the solarsolenergi systemsystem, that's CopernicusKopernikus,
184
495000
2000
og da snakker jeg om solsystemet og Copernicus,
08:42
Darwin'sDarwins evolutionutvikling, and tectonictektoniske platesplater, that's WegenerWegener.
185
497000
3000
Darwins evolusjonsteori og Wegeners oppdagelse av tektoniske plater.
08:45
They all have a lot in commonfelles with brainhjerne sciencevitenskap.
186
500000
3000
De har alle en masse til felles med vitenskap om hjernen.
08:48
First of all, they had a lot of unexplaineduforklarlig datadata. A lot of it.
187
503000
3000
Først og fremst hadde de en masse uforklarlig data. En hel masse av det.
08:51
But it got more manageablehåndterlig onceen gang they had a theoryteori.
188
506000
3000
Men det ble mer administrerbart når man fikk en teori.
08:54
The bestbeste mindssinn were stumpedsnuble -- really, really smartsmart people.
189
509000
3000
De kloke hodene var veldig, veldig, smarte folk.
08:57
We're not smartersmartere now than they were then.
190
512000
2000
Vi er ikke smartere nå enn de var da.
08:59
It just turnssvinger out it's really hardhard to think of things,
191
514000
2000
Det er bare sånn at det er virkelig vanskelig å komme på ting,
09:01
but onceen gang you've thought of them, it's kindsnill of easylett to understandforstå it.
192
516000
2000
men når du kommer på noe, så er det på en måte lett å forstå det.
09:03
My daughtersdøtre understoodforstås these threetre theoriesteorier
193
518000
2000
Mine døtre forsto det grunnleggende rammeverket i disse 3 teoriene
09:05
in theirderes basicgrunnleggende frameworkrammeverk by the time they were in kindergartenbarnehage.
194
520000
3000
på det før de startet i barnehagen.
09:08
And now it's not that hardhard, you know, here'sher er the appleeple, here'sher er the orangeoransje,
195
523000
3000
Og nå er det ikke vanskelig. Du vet den med, her er eplet og her er appelsinen,
09:11
you know, the EarthJorden goesgår around, that kindsnill of stuffting.
196
526000
3000
jorden går rundt og så videre.
09:14
FinallyEndelig, anotheren annen thing is the answersvar was there all alonglangs,
197
529000
2000
Og til slutt en annen ting som var der hele tiden,
09:16
but we kindsnill of ignoredignorert it because of this obviousåpenbart thing, and that's the thing.
198
531000
3000
men vi har liksom oversett den fordi den var så åpenbar, og det er poenget.
09:19
It was an intuitiveintuitiv, strong-heldsterk holdt belieftro that was wrongfeil.
199
534000
3000
Det var en så intuitiv og sterk tro, som var feil.
09:22
In the casesak of the solarsolenergi systemsystem, the ideaidé that the EarthJorden is spinningspinne
200
537000
3000
Som i tilfellet med solsystemet, ideen om at jorden roterte
09:25
and the surfaceflate of the EarthJorden is going like a thousandtusen milesmiles an hourtime,
201
540000
3000
og jordens overflate går rundt i to tusen kilometer i timen,
09:28
and the EarthJorden is going throughgjennom the solarsolenergi systemsystem about a millionmillion milesmiles an hourtime.
202
543000
3000
og at jorden farer gjennom solsystemet i omtrent en halv million kilometer i timen.
09:31
This is lunacygalskap. We all know the EarthJorden isn't movingflytting.
203
546000
2000
Dette er galskap. Vi vet alle at jorden ikke flytter seg.
09:33
Do you feel like you're movingflytting a thousandtusen milesmiles an hourtime?
204
548000
2000
Føler du at du flytter deg i to tusen kilometer i timen?
09:35
Of coursekurs not. You know, and someonenoen who said,
205
550000
2000
Selvsagt ikke. Men om noen sa,
09:37
well, it was spinningspinne around in spacerom and it's so hugeenorm,
206
552000
2000
vel, jorden spinner rundt i verdensrommet og er enormt stor
09:39
they would locklåse you up, and that's what they did back then.
207
554000
2000
så ville de låst deg inne, og på den tiden så gjorde de også det.
09:41
(LaughterLatter)
208
556000
1000
(Latter)
09:42
So it was intuitiveintuitiv and obviousåpenbart. Now what about evolutionutvikling?
209
557000
3000
Så det var intuitivt og åpenbart. Men hva med evolusjonen?
09:45
Evolution'sEvolutions the samesamme thing. We taughtundervist our kidsbarn, well, the BibleBibelen sayssier,
210
560000
3000
Det er det samme med evolusjonen. Vi fortalte våre barn det bibelen sa.
09:48
you know, God createdopprettet all these speciesarter, catskatter are catskatter, dogshunder are dogshunder,
211
563000
2000
Gud skapte alle disse artene, katter er katter, hunder er hunder
09:50
people are people, plantsplanter are plantsplanter, they don't changeendring.
212
565000
3000
mennesker er mennesker, planter er plater og de endrer seg ikke.
09:53
NoahNoah put them on the ArkArk in that orderrekkefølge, blahblah, blahblah, blahblah. And, you know,
213
568000
4000
Noah tok dem med i Arken i den rekkefølgen og bla bla bla. Og som du vet
09:57
the factfaktum is, if you believe in evolutionutvikling, we all have a commonfelles ancestorstamfar,
214
572000
4000
sannheten er, forutsatt at du tror på evolusjonen, at vi alle har en felles stamfar,
10:01
and we all have a commonfelles ancestryopphav with the plantanlegg in the lobbylobby.
215
576000
3000
og at vi alle har felles opphav - med en plante i inngangspartiet.
10:04
This is what evolutionutvikling tellsforteller us. And, it's trueekte. It's kindsnill of unbelievableikke til å tro.
216
579000
3000
Det er det evolusjonen forteller oss. Og det er sant. Selv om det på en måte er utrolig.
10:07
And the samesamme thing about tectonictektoniske platesplater, you know?
217
582000
3000
Og det samme gjelder tektoniske plater.
10:10
All the mountainsfjellene and the continentskontinenter are kindsnill of floatingflytende around
218
585000
2000
Alle fjell og kontinenter flyter liksom rundt
10:12
on toptopp of the EarthJorden, you know? It's like, it doesn't make any senseføle.
219
587000
4000
på toppen av jorden? Det høres liksom utrolig ut.
10:16
So what is the intuitiveintuitiv, but incorrectfeil assumptionantagelse,
220
591000
4000
Så hva er den intuitive men korrekte antakelse
10:20
that's keptholdt us from understandingforståelse brainshjerner?
221
595000
2000
som har gjort at vi ikke forstår hjernen?
10:22
Now I'm going to tell it to you, and it's going to seemsynes obviousåpenbart that that is correctriktig,
222
597000
2000
Jeg skal fortelle deg det og det kommer til å høres åpenbart ut at det er korrekt,
10:24
and that's the pointpunkt, right? Then I'm going to have to make an argumentargument
223
599000
2000
og det er hele poenget ikke sant? Så skal jeg komme med et argument
10:26
why you're incorrectfeil about the other assumptionantagelse.
224
601000
2000
om hvorfor du tar feil angående den antakelsen.
10:28
The intuitiveintuitiv but obviousåpenbart thing is that somehowen eller annen måte intelligenceintelligens
225
603000
3000
Den intuitive og åpenbare er at på en måte er intelligens
10:31
is defineddefinert by behavioroppførsel,
226
606000
2000
definert av adferd,
10:33
that we are intelligentintelligent because of the way that we do things
227
608000
2000
det som definerer oss som intelligente er måten vi gjør ting på
10:35
and the way we behaveoppfør deg intelligentlyintelligent, and I'm going to tell you that's wrongfeil.
228
610000
3000
og måten vi oppfører oss intelligent på, så skal jeg fortelle deg at du tar feil.
10:38
What it is is intelligenceintelligens is defineddefinert by predictionforutsigelse.
229
613000
2000
Faktum er at intelligens er definert av evnen til å forutse.
10:40
And I'm going to work you throughgjennom this in a few slideslysbilder here,
230
615000
3000
Jeg skal lede dere gjennom noen lysbilder her,
10:43
give you an exampleeksempel of what this meansmidler. Here'sHer er a systemsystem.
231
618000
4000
for å presentere noen eksempler. Her er et system.
10:47
EngineersIngeniører like to look at systemssystemer like this. ScientistsForskere like to look at systemssystemer like this.
232
622000
3000
Ingeniører liker å se på systemer på en måte. Forskere liker å se på det på en annen måte.
10:50
They say, well, we have a thing in a boxeske, and we have its inputsinnganger and its outputsutganger.
233
625000
3000
De sier, vel, vi har noe i en boks med innganger og utganger.
10:53
The AIAI people said, well, the thing in the boxeske is a programmableprogrammerbar computerdatamaskin
234
628000
3000
Kunstig intelligens menneskene sier da at tingen i boksen er en programmerbar datamaskin
10:56
because that's equivalenttilsvarende to a brainhjerne, and we'llvi vil feedmate it some inputsinnganger
235
631000
2000
fordi det blir tilsvarende en hjerne og vi forer den med inntrykk
10:58
and we'llvi vil get it to do something, have some behavioroppførsel.
236
633000
2000
og får den til å gjøre noe.
11:00
And AlanAlan TuringTuring defineddefinert the TuringTuring testtest, whichhvilken is essentiallyi bunn og grunn sayingordtak,
237
635000
3000
Og Alan Turning definerte Turing testen, som i korte trekk sier,
11:03
we'llvi vil know if something'snoe er intelligentintelligent if it behavesoppfører seg identicalidentisk to a humanmenneskelig.
238
638000
3000
vel, vi vet at noe er intelligent hvis det oppfører seg som et menneske.
11:06
A behavioralopptreden metricmetrisk of what intelligenceintelligens is,
239
641000
3000
En slags adferdsmessig målestokk for hva intelligens er
11:09
and this has stucksittende fast in our mindssinn for a long periodperiode of time.
240
644000
3000
og dette trodde vi på i lang tid.
11:12
RealityVirkelighet thoughselv om, I call it realekte intelligenceintelligens.
241
647000
2000
Men virkeligheten er en annen, jeg kaller den virkelig-intelligens.
11:14
RealEkte intelligenceintelligens is builtbygget on something elseellers.
242
649000
2000
Virkelig-intelligens dreier seg om noe annet.
11:16
We experienceerfaring the worldverden throughgjennom a sequencesekvens of patternsmønstre, and we storebutikk them,
243
651000
4000
Vi erfarer verden gjennom en sekvens av mønstre som vi lagrer,
11:20
and we recallminnes them. And when we recallminnes them, we matchkamp them up
244
655000
3000
og vi husker disse. Og deretter gjenkaller vi disse og måler de opp
11:23
againstimot realityvirkelighet, and we're makinglager predictionsspådommer all the time.
245
658000
4000
mot virkeligheten og forutser da hva som kommer til å skje. Vi gjør det hele tiden.
11:27
It's an eternalevig metricmetrisk. There's an eternalevig metricmetrisk about us sortsortere of sayingordtak,
246
662000
3000
Det er en evig rundgang. Det er en evig rundgang der vi på en måte sier
11:30
do we understandforstå the worldverden? Am I makinglager predictionsspådommer? And so on.
247
665000
3000
forstår vi verden? Klarer jeg å forutse hva som skal skje? Og så videre.
11:33
You're all beingå være intelligentintelligent right now, but you're not doing anything.
248
668000
2000
Dere er alle intelligente for øyeblikket, men dere gjør ingenting.
11:35
Maybe you're scratchingskrape yourselfdeg selv, or pickingplukking your nosenese,
249
670000
2000
Kanskje klør du deg eller piller deg i nesen.
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
Jeg vet ikke, men du gjør ikke noe akkurat nå,
11:39
but you're beingå være intelligentintelligent; you're understandingforståelse what I'm sayingordtak.
251
674000
3000
men du er intelligent, du forstår hva jeg sier.
11:42
Because you're intelligentintelligent and you speaksnakke EnglishEngelsk,
252
677000
2000
Fordi du er intelligent og snakker engelsk,
11:44
you know what wordord is at the endslutt of this -- (SilenceStillhet)
253
679000
1000
vet du hvilket ord som er på slutten av denne -- (stillhet)
11:45
sentencesetning.
254
680000
2000
setningen.
11:47
The wordord camekom into you, and you're makinglager these predictionsspådommer all the time.
255
682000
3000
Ordet falt på plass og du forutser slik hele tiden.
11:50
And then, what I'm sayingordtak is,
256
685000
2000
Og det jeg da sier er at,
11:52
is that the eternalevig predictionforutsigelse is the outputproduksjon in the neocortexneocortex.
257
687000
2000
det man hele tiden forutser er signaler fra hjernebarken.
11:54
And that somehowen eller annen måte, predictionforutsigelse leadsleads to intelligentintelligent behavioroppførsel.
258
689000
3000
Og på en måte så leder det du forutser til intelligent adferd.
11:57
And here'sher er how that happensskjer. Let's startstart with a non-intelligentikke-intelligent brainhjerne.
259
692000
3000
Og slik virker det. La oss starte med en uintelligent hjerne.
12:00
Well I'll argueargumentere a non-intelligentikke-intelligent brainhjerne, we got holdholde of an oldgammel brainhjerne,
260
695000
4000
Vi kan kalle det en uintelligent hjerne, en gammel hjerne,
12:04
and we're going to say it's like a non-mammalikke-pattedyr, like a reptileReptile,
261
699000
3000
og vi sier det er fra noe som ikke er et pattedyr, som et reptil,
12:07
so I'll say, an alligatoralligator; we have an alligatoralligator.
262
702000
2000
så sier vi at det er en alligator. Vi tar for oss en alligator.
12:09
And the alligatoralligator has some very sophisticatedsofistikert sensessanser.
263
704000
3000
Og en alligator har veldig sofistikerte sanser.
12:12
It's got good eyesøyne and earsører and touchta på sensessanser and so on,
264
707000
3000
Den har gode øyne og ører og føler når noe kommer bort i den og så videre
12:15
a mouthmunn and a nosenese. It has very complexkomplekse behavioroppførsel.
265
710000
4000
har den en munn og en nese. Og den har veldig kompleks adferd.
12:19
It can runløpe and hidegjemme seg. It has fearsfrykter and emotionsfølelser. It can eatspise you, you know.
266
714000
4000
Den kan løpe og hjemme seg. Den har redsel og følelser. Og den kan spise deg.
12:23
It can attackangrep. It can do all kindstyper of stuffting.
267
718000
4000
Den kan angripe. Den kan gjøre en hel masse.
12:27
But we don't considerta i betraktning the alligatoralligator very intelligentintelligent, not like in a humanmenneskelig sortsortere of way.
268
722000
5000
Men vi betrakter ikke alligatoren som intelligent, i hvert fall ikke på menneskelig vis.
12:32
But it has all this complexkomplekse behavioroppførsel alreadyallerede.
269
727000
2000
Men den har en masse kompleks adferd.
12:34
Now, in evolutionutvikling, what happenedskjedde?
270
729000
2000
Så, i evolusjonen, hva skjedde?
12:36
First thing that happenedskjedde in evolutionutvikling with mammalspattedyr,
271
731000
3000
Det første som skjedde med pattedyr i evolusjonen,
12:39
we startedstartet to developutvikle a thing calledkalt the neocortexneocortex.
272
734000
2000
var at vi begynte å utvikle det som kalles hjernebarken.
12:41
And I'm going to representrepresentere the neocortexneocortex here,
273
736000
2000
Og jeg skal lage en representasjon av hjernebarken her,
12:43
by this boxeske that's stickingstikker on toptopp of the oldgammel brainhjerne.
274
738000
2000
på toppen av gamle hjernen.
12:45
NeocortexNeocortex meansmidler newny layerlag. It is a newny layerlag on toptopp of your brainhjerne.
275
740000
3000
Den nye kortex (hjernebarken) betyr nytt lag. Den er et nytt lag på toppen av hjernen.
12:48
If you don't know it, it's the wrinklyrynkete thing on the toptopp of your headhode that,
276
743000
3000
Om du ikke vet det så er det en skrukkete tingen helst øverst på hodet,
12:51
it's got wrinklyrynkete because it got shoveddyttet in there and doesn't fitpasse.
277
746000
3000
og den er skrukkete fordi den ble stappet inn og ikke helt passer.
12:54
(LaughterLatter)
278
749000
1000
(Latter)
12:55
No, really, that's what it is. It's about the sizestørrelse of a tablebord napkinserviett.
279
750000
2000
Det er faktisk sant. Den er egentlig på størrelse med en utbrettet serviett.
12:57
And it doesn't fitpasse, so it getsblir all wrinklyrynkete. Now look at how I've drawntrukket this here.
280
752000
3000
Og den passer ikke, så derfor blir den skrukkete. Se nå hvordan jeg tegner dette.
13:00
The oldgammel brainhjerne is still there. You still have that alligatoralligator brainhjerne.
281
755000
4000
Den gamle hjernen er fortsatt der. Du har fortsatt en alligatorhjerne.
13:04
You do. It's your emotionalemosjonelle brainhjerne.
282
759000
2000
Du har det. Det er den hjernen som håndterer følelser.
13:06
It's all those things, and all those gutmage reactionsreaksjoner you have.
283
761000
3000
Den er alt det og alle magefølelser du har.
13:09
And on toptopp of it, we have this memoryhukommelse systemsystem calledkalt the neocortexneocortex.
284
764000
3000
Og på toppen av det har vi minnesystemet, som kalles hjernebarken.
13:12
And the memoryhukommelse systemsystem is sittingsitter over the sensorysensoriske partdel of the brainhjerne.
285
767000
4000
Og minnesystemet ligger over sansedelene i hjernen.
13:16
And so as the sensorysensoriske inputinngang comeskommer in and feedsfeeds from the oldgammel brainhjerne,
286
771000
3000
Og når sanseimpulser kommer inn via den gamle hjernen
13:19
it alsoogså goesgår up into the neocortexneocortex. And the neocortexneocortex is just memorizingMemorisering.
287
774000
4000
går de altså opp til minnesystemet. Og hjernebarkens oppgave er bare å huske de.
13:23
It's sittingsitter there sayingordtak, ahah, I'm going to memorizememorere all the things that are going on:
288
778000
4000
Den ligger der og sier, ah, jeg skal huske alt som foregår,
13:27
where I've been, people I've seensett, things I've heardhørt, and so on.
289
782000
2000
hvor jeg har vært, mennesker jeg har sett, ting jeg har hørt og så videre.
13:29
And in the futureframtid, when it seesser something similarlignende to that again,
290
784000
4000
Og i fremtiden, når den ser noe den gjenkjenner,
13:33
so in a similarlignende environmentmiljø, or the exactnøyaktig samesamme environmentmiljø,
291
788000
3000
i et tilsvarende miljø, eller i det samme miljøet,
13:36
it'lldet vil playspille it back. It'llDet vil startstart playingspiller it back.
292
791000
2000
så spilles minner av. Den starter å spille det av.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Å, jeg har vært her før. Og når du var der sist så
13:40
this happenedskjedde nextneste. It allowsmuliggjør you to predictforutsi the futureframtid.
294
795000
3000
så hendte dette. Det muliggjør at du kan forutse hva som komme til å skje.
13:43
It allowsmuliggjør you to, literallybokstavelig it feedsfeeds back the signalssignaler into your brainhjerne;
295
798000
4000
Det muliggjør at du, bokstavlig talt mater signaler tilbake til hjernen,
13:47
they'llde vil let you see what's going to happenskje nextneste,
296
802000
2000
og du kan da se hva som kommer til å skje,
13:49
will let you hearhøre the wordord "sentencesetning" before I said it.
297
804000
3000
og muliggjør at du kan høre ordet "setning" før jeg sa det.
13:52
And it's this feedingfôring back into the oldgammel brainhjerne
298
807000
3000
Og det er denne matingen tilbake til gamle hjernen
13:55
that'lldet vil allowtillate you to make very more intelligentintelligent decisionsbeslutninger.
299
810000
3000
som gjør det mulig for deg å ta veldig intelligente avgjørelser.
13:58
This is the mostmest importantviktig slidelysbilde of my talk, so I'll dwellbo on it a little bitbit.
300
813000
3000
Dette er det viktigste lysbildet i hele foredraget mitt, så vi skal dvele litt ved det.
14:01
And so, all the time you say, oh, I can predictforutsi the things.
301
816000
4000
Også sier du hele tiden at, åh, jeg kan forutse ting.
14:05
And if you're a ratrotte and you go throughgjennom a mazelabyrint, and then you learnlære the mazelabyrint,
302
820000
3000
Og hvis du er en rotte og går gjennom en labyrint, så lærer du deg labyrinten,
14:08
the nextneste time you're in a mazelabyrint, you have the samesamme behavioroppførsel,
303
823000
2000
og neste gang du er i labyrinten gjør du det samme som sist,
14:10
but all of a suddenplutselig, you're smartersmartere
304
825000
2000
men plutselig er du blitt smartere
14:12
because you say, oh, I recognizegjenkjenne this mazelabyrint, I know whichhvilken way to go,
305
827000
3000
fordi du sier, åh, jeg kjenner denne labyrinten, jeg vet hvor jeg skal gå,
14:15
I've been here before, I can envisionEnvision the futureframtid. And that's what it's doing.
306
830000
3000
jeg har vært her før, jeg kan se for meg hva som vil skje. Og det er det den gjør.
14:18
In humansmennesker -- by the way, this is trueekte for all mammalspattedyr;
307
833000
3000
Hos mennesker - faktisk gjelder det for alle pattedyr -
14:21
it's trueekte for other mammalspattedyr -- and in humansmennesker, it got a lot worseverre.
308
836000
2000
det gjelder for alle pattedyr og hos mennesker utviklet det seg langt.
14:23
In humansmennesker, we actuallyfaktisk developedutviklet the frontfront partdel of the neocortexneocortex
309
838000
3000
Vi mennesker har faktisk også utviklet en fremre del
14:26
calledkalt the anteriorfremre partdel of the neocortexneocortex. And naturenatur did a little tricktriks.
310
841000
4000
som kalles frontallappen. Og naturen gjorde et triks.
14:30
It copiedkopiert the posteriorbakre partdel, the back partdel, whichhvilken is sensorysensoriske,
311
845000
2000
den kopierte den bakre delen, som hører til sansene,
14:32
and put it in the frontfront partdel.
312
847000
2000
og plasserte kopien foran.
14:34
And humansmennesker uniquelyunikt have the samesamme mechanismmekanisme on the frontfront,
313
849000
2000
Så mennesker er de eneste som har de samme mekanismer foran som bak,
14:36
but we use it for motormotor controlkontroll.
314
851000
2000
men vi bruker dette til motorisk kontroll.
14:38
So we are now ablei stand to make very sophisticatedsofistikert motormotor planningplanlegger, things like that.
315
853000
3000
Dermed har vi nå muligheten til å gjøre sofistikert motorikk og så videre.
14:41
I don't have time to get into all this, but if you want to understandforstå how a brainhjerne worksvirker,
316
856000
3000
Jeg har ikke tid til gå for dypt i dette, men hvis du vil forstå hvordan hjerner virker
14:44
you have to understandforstå how the first partdel of the mammalianpattedyr neocortexneocortex worksvirker,
317
859000
3000
må du forstå hvordan den første delen av pattedyrs hjernebark virker,
14:47
how it is we storebutikk patternsmønstre and make predictionsspådommer.
318
862000
2000
hvordan vi lagrer mønstre og forutser.
14:49
So let me give you a few exampleseksempler of predictionsspådommer.
319
864000
3000
Så la meg gi det et par eksempler hvor du forutser.
14:52
I alreadyallerede said the wordord "sentencesetning." In musicmusikk,
320
867000
2000
Jeg sa allerede ordet "setning". I musikk,
14:54
if you've heardhørt a songsang before, if you heardhørt JillJill singsynge those songssanger before,
321
869000
3000
hvis du har hvis du har hørt en sang tidligere, hvis du har hørt Jill sine sanger før,
14:57
when she singssynger them, the nextneste noteMerk popsdukker into your headhode alreadyallerede --
322
872000
3000
når hun synger dem så popper neste note inn i hodet ditt --
15:00
you anticipateforutse it as you're going. If it was an albumalbum of musicmusikk,
323
875000
2000
du forutser det etter hvert som det går fremover. Hvis det var et musikkalbum,
15:02
the endslutt of one albumalbum, the nextneste songsang popsdukker into your headhode.
324
877000
3000
ville neste sang, ved slutten av den pågående, starte i hodet.
15:05
And these things happenskje all the time. You're makinglager these predictionsspådommer.
325
880000
2000
Og dette skjer hele tiden. Du prøver å forutse hva som skal skje.
15:07
I have this thing calledkalt the alteredendret doordør thought experimenteksperiment.
326
882000
3000
Jeg har et tankeeksperiment som jeg kaller den modifiserte døren.
15:10
And the alteredendret doordør thought experimenteksperiment sayssier, you have a doordør at home,
327
885000
3000
Og tankeeksperimentet med den modifiserte døren er slik, du har en dør hjemme
15:13
and when you're here, I'm changingendring it, I've got a guy
328
888000
3000
og når du er her endrer jeg den, jeg har en kar
15:16
back at your househus right now, movingflytting the doordør around,
329
891000
2000
ved huset ditt akkurat nå og han flytter døren rundt,
15:18
and they're going to take your doorknobdørhåndtak and movebevege seg it over two inchesinches.
330
893000
2000
og de kommer til flytte dørhåndtaket mer enn 5 centimeter.
15:20
And when you go home tonighti kveld, you're going to put your handhånd out there,
331
895000
2000
Og når du drar hjem senere i kveld, kommer du til å strekke frem hånden din
15:22
and you're going to reachå nå for the doorknobdørhåndtak and you're going to noticelegge merke til
332
897000
2000
og du kommer til prøve å nå dørhåndtaket og merke at
15:24
it's in the wrongfeil spotfå øye på, and you'llvil du go, whoawhoa, something happenedskjedde.
333
899000
3000
det er på feil sted og du kommer til si, hva har skjedd?
15:27
It maykan take a secondsekund to figurefigur out what it was, but something happenedskjedde.
334
902000
2000
Det kan ta et sekund for deg å finne det ut, men noe skjedde.
15:29
Now I could changeendring your doorknobdørhåndtak in other waysmåter.
335
904000
2000
Jeg kunne endret dørhåndtaket på andre måter.
15:31
I can make it largerstørre or smallermindre, I can changeendring its brassmessing to silversølv,
336
906000
2000
Jeg kunne gjort det større eller mindre, jeg kunne endret det fra messing til sølv,
15:33
I could make it a leverspaken. I can changeendring your doordør, put colorsfarger on;
337
908000
2000
jeg kunne gjort den til en spak. Jeg kunne endret døren, malt den,
15:35
I can put windowsvinduer in. I can changeendring a thousandtusen things about your doordør,
338
910000
3000
satt inn vinduer. Jeg kunne endret tusen ting med døren din,
15:38
and in the two secondssekunder you take to openåpen your doordør,
339
913000
2000
og i løpet av de to sekundene det tar å åpne døren
15:40
you're going to noticelegge merke til that something has changedendret.
340
915000
3000
ville du komme til å merke at noe var endret.
15:43
Now, the engineeringprosjektering approachnærme seg to this, the AIAI approachnærme seg to this,
341
918000
2000
Så ingeniørtilnærmingen til dette, kunstig-intelligenstilnærmingen,
15:45
is to buildbygge a doordør databasedatabase. It has all the doordør attributesattributter.
342
920000
3000
vil være å lage en dørdatabase med alle dørattributter.
15:48
And as you go up to the doordør, you know, let's checkkryss av them off one at time.
343
923000
3000
Og når du går opp til døren så sjekker man alle attributter en etter en.
15:51
DoorDøren, doordør, doordør, you know, colorfarge, you know what I'm sayingordtak.
344
926000
2000
Dør, dør, dør, du vet, farge, dere skjønner hva jeg mener.
15:53
We don't do that. Your brainhjerne doesn't do that.
345
928000
2000
Vi gjør ikke det. Din hjerne gjør ikke det.
15:55
What your brainhjerne is doing is makinglager constantkonstant predictionsspådommer all the time
346
930000
2000
Det din hjerne gjør hele tiden er å prøve å forutse
15:57
about what is going to happenskje in your environmentmiljø.
347
932000
2000
hva som skal skje i det miljøet du befinner deg.
15:59
As I put my handhånd on this tablebord, I expectforvente to feel it stop.
348
934000
3000
Når jeg legger hånden på bordet forventer jeg å føle at den stopper.
16:02
When I walk, everyhver stepskritt, if I missedsavnet it by an eighthåttende of an inchtommers,
349
937000
3000
Når jeg går, for hvert steg jeg tar, om jeg tråkker feil med 5 centimeter
16:05
I'll know something has changedendret.
350
940000
2000
kommer jeg til å vite at noe er endret.
16:07
You're constantlystadig makinglager predictionsspådommer about your environmentmiljø.
351
942000
2000
Du prøver hele tiden å forutse hva som vil skje i det miljøet du befinner deg.
16:09
I'll talk about visionsyn here brieflykort. This is a picturebilde of a womankvinne.
352
944000
3000
Jeg skal snakke om syn her om et øyeblikk. Dette er et bilde av en kvinne.
16:12
And when you look at people, your eyesøyne are caughtfanget
353
947000
2000
Og når du ser på mennesker blir øynene dine fanget
16:14
over at two to threetre timesganger a secondsekund.
354
949000
1000
og du ser over ansiktet to til tre ganger i sekundet.
16:15
You're not awareklar over of this, but your eyesøyne are always movingflytting.
355
950000
2000
Du er ikke klar over det men øynene dine flytter seg hele tiden.
16:17
And so when you look at someone'snoens faceansikt,
356
952000
2000
Og når du ser på ansiktet til noen
16:19
you'ddu ville typicallytypisk go from eyeøye to eyeøye to eyeøye to nosenese to mouthmunn.
357
954000
2000
sveiper du fra øye til øye til øye så til nese og munn.
16:21
Now, when your eyeøye movesbeveger seg from eyeøye to eyeøye,
358
956000
2000
Så når ditt øye sveiper fra øye til øye,
16:23
if there was something elseellers there like, a nosenese,
359
958000
2000
om det var noe annet der enn en nese,
16:25
you'ddu ville see a nosenese where an eyeøye is supposedment to be,
360
960000
2000
som at du så en nese der hvor øyet skulle vært
16:27
and you'ddu ville go, oh shitdritt, you know --
361
962000
3000
kom du til å si, å svarte, ikke sant --
16:30
(LaughterLatter)
362
965000
1000
(Latter)
16:31
There's something wrongfeil about this personperson.
363
966000
2000
Det er noe galt med denne personen.
16:33
And that's because you're makinglager a predictionforutsigelse.
364
968000
2000
Og det er fordi du forutser hva som kan forventes.
16:35
It's not like you just look over there and say, what am I seeingser now?
365
970000
2000
Det er ikke slik at du ser over og sier, hva ser jeg nå?
16:37
A nosenese, that's okay. No, you have an expectationforventning of what you're going to see.
366
972000
3000
En nese, det er greit. Nei, du har forventninger til hva du skal se.
16:40
(LaughterLatter)
367
975000
1000
(Latter)
16:41
EveryHver singleenkelt momentøyeblikk. And finallyendelig, let's think about how we testtest intelligenceintelligens.
368
976000
4000
Hele tiden. Og til slutt la oss ta for oss hvordan vi tester intelligens.
16:45
We testtest it by predictionforutsigelse. What is the nextneste wordord in this, you know?
369
980000
3000
Vi tester evnen til å forutse. Hva er neste ord i rekken? Og så videre.
16:48
This is to this as this is to this. What is the nextneste numberAntall in this sentencesetning?
370
983000
3000
Denne står til denne som denne står til denne. Hva er neste nummer i denne rekken?
16:51
Here'sHer er threetre visionsvisjoner of an objectgjenstand.
371
986000
2000
Her er tre forskjellige former.
16:53
What's the fourthfjerde one? That's how we testtest it. It's all about predictionforutsigelse.
372
988000
4000
Hva er den fjerde? Slik tester vi intelligens. Det handler om å forutse.
16:57
So what is the recipeoppskrift for brainhjerne theoryteori?
373
992000
3000
Så hva er resepten for å lage en hjerneteori?
17:00
First of all, we have to have the right frameworkrammeverk.
374
995000
3000
Først av alt trenger vi å ha et rammeverk.
17:03
And the frameworkrammeverk is a memoryhukommelse frameworkrammeverk,
375
998000
2000
Og det rammeverket er et rammeverk for hukommelsen.
17:05
not a computationberegningen or behavioroppførsel frameworkrammeverk. It's a memoryhukommelse frameworkrammeverk.
376
1000000
2000
Ikke et rammeverk for kalkulering eller adferd. Men et rammeverk for hukommelse.
17:07
How do you storebutikk and recallminnes these sequencessekvenser or patternsmønstre? It's spatio-temporalspatio-temporale patternsmønstre.
377
1002000
4000
Hvordan lagrer og fremkaller du disse mønstrene? Det er spatio-temporære mønstre.
17:11
Then, if in that frameworkrammeverk, you take a bunchgjeng of theoreticiansteoretikere.
378
1006000
3000
Så med et slikt rammeverk, tar du en gjeng med teoretikere.
17:14
Now biologistsbiologer generallysom regel are not good theoreticiansteoretikere.
379
1009000
2000
Nå er ikke biologer generelt sett veldig gode teoretikere.
17:16
It's not always trueekte, but in generalgenerell, there's not a good historyhistorie of theoryteori in biologybiologi.
380
1011000
4000
Det er selvfølgelig ikke alltid sant, men generelt sett, og historisk sett, er ikke teori biologiens sterkeste side.
17:20
So I foundfunnet the bestbeste people to work with are physicistsfysikere,
381
1015000
3000
Så det jeg fant ut var at fysikere var de jeg fikk mest ut av å jobbe med,
17:23
engineersingeniører and mathematiciansmatematikere, who tendtendens to think algorithmicallyalgoritmer.
382
1018000
3000
ingeniører og matematikere, som vanligvis tenker algoritmisk.
17:26
Then they have to learnlære the anatomyanatomi, and they'vede har got to learnlære the physiologyfysiologi.
383
1021000
3000
Men da må de lære anatomi og i tillegg fysiologi.
17:29
You have to make these theoriesteorier very realisticrealistisk in anatomicalanatomisk termsvilkår.
384
1024000
4000
Man må knytte disse teorier opp mot anatomisk terminologi.
17:33
AnyoneNoen who getsblir up and tellsforteller you theirderes theoryteori about how the brainhjerne worksvirker
385
1028000
4000
Om noen forteller om sin teori om hvordan hjernen virker,
17:37
and doesn't tell you exactlynøyaktig how it's workingarbeider in the brainhjerne
386
1032000
2000
og ikke forteller deg akkurat hva som skjer i hjernen,
17:39
and how the wiringledninger worksvirker in the brainhjerne, it is not a theoryteori.
387
1034000
2000
og ikke forteller deg hvordan hjernen er "kablet", ja så har de ingen teori.
17:41
And that's what we're doing at the RedwoodRedwood NeuroscienceNevrovitenskap InstituteInstitutt.
388
1036000
3000
Dette er det vi dette vi driver med på Redwood nevrovitenskaplige institutt.
17:44
I would love to have more time to tell you we're makinglager fantasticFantastisk progressframgang in this thing,
389
1039000
4000
Jeg skulle gjerne hatt mer tid til å fortelle om den fantastiske fremgangen vi har på området,
17:48
and I expectforvente to be back up on this stagescene,
390
1043000
2000
og jeg forventer å komme tilbake på denne scenen,
17:50
maybe this will be some other time in the not too distantfjern futureframtid and tell you about it.
391
1045000
2000
kanskje om ikke så altfor lenge for å fortelle dere om det.
17:52
I'm really, really excitedspent. This is not going to take 50 yearsår at all.
392
1047000
3000
Jeg er veldig begeistret. Dette kommer ikke til å ta ytterlige 50 år.
17:55
So what will brainhjerne theoryteori look like?
393
1050000
2000
Så hvordan vil en hjerneteori se ut?
17:57
First of all, it's going to be a theoryteori about memoryhukommelse.
394
1052000
2000
Først av alt, det kommer til å bli en teori om hukommelse.
17:59
Not like computerdatamaskin memoryhukommelse. It's not at all like computerdatamaskin memoryhukommelse.
395
1054000
3000
Ikke som en datamaskins minne. Ikke i det hele tatt som datamaskinminne.
18:02
It's very, very differentannerledes. And it's a memoryhukommelse of these very
396
1057000
2000
Det er veldig, veldig forskjellig fra det. Og det er et minne av
18:04
high-dimensionalhøy-dimensjonale patternsmønstre, like the things that come from your eyesøyne.
397
1059000
3000
mønstre med mange dimensjoner, tilsvarende som det du ser med øynene.
18:07
It's alsoogså memoryhukommelse of sequencessekvenser.
398
1062000
2000
Det er også et minne av sekvenser.
18:09
You cannotkan ikke learnlære or recallminnes anything outsideutenfor of a sequencesekvens.
399
1064000
2000
Du kan ikke lære eller gjenkalle noe som ikke er i form av en sekvens.
18:11
A songsang must be heardhørt in sequencesekvens over time,
400
1066000
3000
En sang må høres i sekvens over tid,
18:14
and you must playspille it back in sequencesekvens over time.
401
1069000
3000
og du må avspille den i sekvens over tid.
18:17
And these sequencessekvenser are auto-associativelyAuto-assosiativt recalledtilbakekalt, so if I see something,
402
1072000
3000
Og disse sekvensene blir auto-assosiativt gjenkalt, så hvis jeg ser noe,
18:20
I hearhøre something, it remindsminner me of it, and then it playsspiller back automaticallyautomatisk.
403
1075000
3000
hører noe, så minner dette meg om det og spiller automatisk dette av.
18:23
It's an automaticautomatisk playbackavspilling. And predictionforutsigelse of futureframtid inputsinnganger is the desiredønsket outputproduksjon.
404
1078000
4000
Det er en automatisk avspilling. Og hensikten er å forutse kommende inntrykk.
18:27
And as I said, the theoryteori must be biologicallybiologisk accuratekorrekt,
405
1082000
3000
Og som sagt, teorien må være biologisk nøyaktig,
18:30
it must be testabletestbare, and you must be ablei stand to buildbygge it.
406
1085000
2000
den må være testbar, og det må være mulig å lage den.
18:32
If you don't buildbygge it, you don't understandforstå it. So, one more slidelysbilde here.
407
1087000
4000
Hvis du ikke kan lage den så forstår du den ikke. Så, et lysbilde igjen.
18:36
What is this going to resultresultat in? Are we going to really buildbygge intelligentintelligent machinesmaskiner?
408
1091000
4000
Så hva skal dette resultere i? Kommer vi virkelig til å lage intelligente maskiner?
18:40
AbsolutelyAbsolutt. And it's going to be differentannerledes than people think.
409
1095000
4000
Absolutt. Og det kommer til å bli annerledes enn det folk tror.
18:44
No doubttvil that it's going to happenskje, in my mindsinn.
410
1099000
3000
Det er ikke tvil i min sjel om hvorvidt dette kommer til å skje.
18:47
First of all, it's going to be builtbygget up, we're going to buildbygge the stuffting out of siliconsilisium.
411
1102000
4000
Først av alt, det kommer det til å bli laget, i silikon.
18:51
The samesamme techniquesteknikker we use for buildingbygning siliconsilisium computerdatamaskin memoriesminner,
412
1106000
3000
Med den samme teknikken vi bruker for å lage datamaskinminne av silikon,
18:54
we can use for here.
413
1109000
1000
kan vi benytte i dette tilfellet.
18:55
But they're very differentannerledes typestyper of memoriesminner.
414
1110000
2000
Men vi snakker om en helt annen type hukommelse.
18:57
And we're going to attachfeste these memoriesminner to sensorssensorer,
415
1112000
2000
Og vi kommer til å koble denne hukommelsen til sensorer,
18:59
and the sensorssensorer will experienceerfaring real-livevirkelige levende, real-worldvirkelige verden datadata,
416
1114000
3000
og disse sensorene vil erfare data fra virkeligheten i sanntid,
19:02
and these things are going to learnlære about theirderes environmentmiljø.
417
1117000
2000
og disse tingene kommer til å lære av sitt miljø.
19:04
Now it's very unlikelylite sannsynlig the first things you're going to see are like robotsroboter.
418
1119000
3000
Det er veldig usannsynlig at det første du vil se på dette området er roboter.
19:07
Not that robotsroboter aren'ter ikke usefulnyttig and people can buildbygge robotsroboter.
419
1122000
3000
Ikke at roboter er ubrukelige, og man kan lage roboter.
19:10
But the roboticsrobotikk partdel is the hardesthardest partdel. That's the oldgammel brainhjerne. That's really hardhard.
420
1125000
4000
Men robotdelen er den vanskeligste delen. Da inngår gamlehjernen. Og den er kompleks.
19:14
The newny brainhjerne is actuallyfaktisk kindsnill of easierlettere than the oldgammel brainhjerne.
421
1129000
2000
Den nye hjernen (hjernebarken) er faktisk enklere enn gamle hjernen.
19:16
So the first thing we're going to do are the things that don't requirekrever a lot of roboticsrobotikk.
422
1131000
3000
Så det første vi må gjøre er å få på plass det som ikke krever en masse robotteknikk.
19:19
So you're not going to see C-C-3POPO.
423
1134000
2000
Du kommer ikke til å se C-3PO (fra Star Wars).
19:21
You're going to more see things like, you know, intelligentintelligent carsbiler
424
1136000
2000
Du kommer til å se mer, tja, intelligente biler for eksempel
19:23
that really understandforstå what traffictrafikk is and what drivingkjøring is
425
1138000
3000
som virkelig forstår hva trafikk er og hva kjøring er
19:26
and have learnedlært that certainsikker typestyper of carsbiler with the blinkersBlinkers on for halfhalv a minuteminutt
426
1141000
3000
og som har lært at de biler som kjører med blinklys på i mer enn 30 sekunder
19:29
probablysannsynligvis aren'ter ikke going to turnsving, things like that.
427
1144000
2000
antakelig ikke kommer til å svinge, og så videre.
19:31
(LaughterLatter)
428
1146000
1000
(Latter)
19:32
We can alsoogså do intelligentintelligent securitysikkerhet systemssystemer.
429
1147000
2000
Vi kan også lage intelligente sikkerhetssystemer.
19:34
AnywhereHvor som helst where we're basicallyi utgangspunktet usingved hjelp av our brainhjerne, but not doing a lot of mechanicsmekanikk.
430
1149000
4000
For så vidt hva som helst der vi benytter hjernen, men samtidig ikke gjør en hel masse.
19:38
Those are the things that are going to happenskje first.
431
1153000
2000
Det er dette som kommer til skje først.
19:40
But ultimatelytil syvende og sist, the world'sVerdens the limitgrense here.
432
1155000
2000
Men til slutt kan vi ta for oss hva som helst i hele verden.
19:42
I don't know how this is going to turnsving out.
433
1157000
2000
Jeg vet ikke hvordan det kommer til ende.
19:44
I know a lot of people who inventedoppfunnet the microprocessormikroprosessor
434
1159000
2000
Jeg kjenner mange av de som oppfant mikroprosessoren
19:46
and if you talk to them, they knewvisste what they were doing was really significantbetydelige,
435
1161000
5000
og om du snakker med noen av disse, så visste de at de gjorde noe stort,
19:51
but they didn't really know what was going to happenskje.
436
1166000
3000
men de så ikke konsekvensen av det de gjorde.
19:54
They couldn'tkunne ikke anticipateforutse cellcelle phonestelefoner and the InternetInternett and all this kindsnill of stuffting.
437
1169000
5000
De kunne ikke forutse mobiltelefoner og Internet og alt det.
19:59
They just knewvisste like, hey, they were going to buildbygge calculatorskalkulatorer
438
1174000
2000
De visste bare at de, tja, de skulle lage kalkulatorer
20:01
and traffictrafikk lightlett controllerskontrollere. But it's going to be bigstor.
439
1176000
2000
og trafikklyskontrollere. Men det ble stort.
20:03
In the samesamme way, this is like brainhjerne sciencevitenskap and these memoriesminner
440
1178000
3000
På samme måte kommer vitenskap om hjernen og hukommelse til å være
20:06
are going to be a very fundamentalfundamental technologyteknologi, and it's going to leadlede
441
1181000
3000
fundamental teknologi som kommer til å lede
20:09
to very unbelievableikke til å tro changesEndringer in the nextneste 100 yearsår.
442
1184000
3000
til utrolige endringer i løpet av de neste 100 år.
20:12
And I'm mostmest excitedspent about how we're going to use them in sciencevitenskap.
443
1187000
4000
Og jeg er mest ivrig angående hvordan vi kan kommer til å bruke dette i vitenskapen.
20:16
So I think that's all my time, I'm over it, and I'm going to endslutt my talk
444
1191000
3000
Da tror jeg min tid er ute, jeg er ferdig, og kommer til å slutte mitt foredrag
20:19
right there.
445
1194000
1000
akkurat nå.

▲Back to top

ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.

Why you should listen

Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.

Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.

More profile about the speaker
Jeff Hawkins | Speaker | TED.com