TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen over een computer die werkt zoals de hersenen
Filmed:
Readability: 4.2
718,375 views
Onderzoeker Kwabena Boahen zoekt manieren om de supercomputermogelijkheden van het brein in silicium na te bootsen -- omdat de slordige, redundante processen binnen onze hoofden eigenlijk een kleine, lichte, supersnelle computer opleveren.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Ik kreeg mijn eerste computer toen ik een tiener was in Accra.
00:23
and it was a really cool device.
1
5000
3000
Een echt cool apparaat.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Je kon er spelletjes op spelen en programmeren in BASIC.
00:31
And I was fascinated.
3
13000
2000
Ik was gefascineerd.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Ik ging naar de bibliotheek om erachter te komen hoe dit ding werkte.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Ik las hoe de CPU constant gegevens heen en weer schoof
00:44
between the memory, the RAM and the ALU,
6
26000
4000
tussen geheugen, RAM en de ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
de rekenkundige en logische eenheid.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
Ik vond dat die CPU als een gek moest werken
00:54
just to keep all this data moving through the system.
9
36000
4000
alleen maar om al die gegevens rond te sturen in het systeem.
00:58
But nobody was really worried about this.
10
40000
3000
Maar niemand maakte zich daar druk over.
01:01
When computers were first introduced,
11
43000
2000
Toen computers voor het eerst werden geïntroduceerd,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
werd gezegd dat ze een miljoen keer sneller waren dan neuronen.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
De mensen waren er erg enthousiast over. Ze dachten dat ze spoedig
01:11
the capacity of the brain.
14
53000
3000
de capaciteit van de hersenen zouden overtreffen.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Dit is een citaat van Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
'Over 30 jaar zal het net zo eenvoudig zijn om aan een computer een vraag te stellen
01:21
as to ask a person."
17
63000
2000
als aan een persoon.'
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Dat was in 1946. In 2007 is het nog steeds niet waar.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Waarom kunnen computers
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
nog altijd niet wat hersenen kunnen?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Wat mensen niet beseften en ik begin het nu pas te beseffen,
01:42
is that we pay a huge price for the speed
22
84000
2000
is dat we een enorme prijs betalen voor de snelheid
01:44
that we claim is a big advantage of these computers.
23
86000
4000
waarvan we beweren dat ze een groot voordeel is van deze computers.
01:48
Let's take a look at some numbers.
24
90000
2000
Laten we eens wat getallen bekijken.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Dit is Blue Gene, de snelste computer ter wereld.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Hij heeft 120.000 processors. Hij kan in principe
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 biljard bits aan informatie per seconde verwerken.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Dat is 10 tot de 16e. Ze verbruiken een vermogen van anderhalf megawatt.
02:09
So that would be really great, if you could add that
29
111000
3000
Het zou echt geweldig zijn als je dat al zou kunnen toevoegen
02:12
to the production capacity in Tanzania.
30
114000
2000
aan de productiecapaciteit van Tanzania.
02:14
It would really boost the economy.
31
116000
2000
Het zou de economie echt stimuleren.
02:16
Just to go back to the States,
32
118000
4000
In de Verenigde Staten
02:20
if you translate the amount of power or electricity
33
122000
2000
zou dat al genoeg zijn
02:22
this computer uses to the amount of households in the States,
34
124000
3000
om 1.200 huishoudens
02:25
you get 1,200 households in the U.S.
35
127000
4000
van stroom te voorzien.
02:29
That's how much power this computer uses.
36
131000
2000
Zoveel vermogen verbruikt deze computer.
02:31
Now, let's compare this with the brain.
37
133000
3000
Laten we dit eens vergelijken met de hersenen.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Dit is een foto van de hersenen van Rory Sayres' vriendin.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory is afgestudeerd aan Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Hij bestudeert de hersenen met behulp van MRI en beweert dat
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
dit is de mooiste hersenen zijn die hij ooit heeft gescand.
02:48
(Laughter)
42
150000
2000
(Gelach)
02:50
So that's true love, right there.
43
152000
3000
Dat is echte liefde.
02:53
Now, how much computation does the brain do?
44
155000
3000
Hoeveel berekeningen doen deze hersenen?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Ik schat 10 tot de 16 bits per seconde.
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
Vergelijkbaar met wat Blue Gene doet.
03:02
So that's the question. The question is, how much --
47
164000
2000
Hoeveel verbruiken de hersenen nu
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
voor het verwerken
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
van een vergelijkbare hoeveelheid data?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Ongeveer zoveel als je schootcomputer:
03:15
it's just 10 watts.
51
177000
2000
slechts 10 watt.
03:17
So what we are doing right now with computers
52
179000
3000
Terwijl computers
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
een vermogen van 1.200 huizen verbruiken,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
doet het brein hetzelfde met het verbruik van een laptop.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Hoe slaagt het brein erin om dit soort van efficiëntie te bereiken?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Laat het me even samenvatten. Om het kort te zeggen:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
hersenen verwerken informatie op een 100.000 keer
03:37
than we do right now with this computer technology that we have.
58
199000
4000
zuiniger manier dan onze computers.
03:41
How is the brain able to do this?
59
203000
2000
Hoe kan dat?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Laten we eens kijken hoe het brein werkt
03:46
and then I'll compare that with how computers work.
61
208000
4000
en dan vergelijk ik dat met hoe computers werken.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Deze clip uit de PBS-serie 'Het Geheime Leven van het Brein'
03:54
It shows you these cells that process information.
63
216000
3000
toont jullie deze cellen die informatie verwerken.
03:57
They are called neurons.
64
219000
1000
Ze heten neuronen.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Ze sturen kleine elektrische impulsen naar elkaar
04:04
and where they contact each other, those little pulses
66
226000
2000
en waar ze met elkaar in contact staan, springen die kleine pulsen
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
van de ene zenuwcel naar de andere.
04:08
That process is called a synapse.
68
230000
3000
Dat proces heet een synaps.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
In dit enorme netwerk van met elkaar inter-agerende cellen
04:13
about 100 million of them,
70
235000
2000
zitten er ongeveer 100 miljoen.
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
Ze verzenden elke seconde ongeveer tien biljard van deze pulsen.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Dat is nu gaande in je hersenen terwijl je dit bekijkt.
04:25
How does that compare with the way computers work?
73
247000
2000
Hoe werkt dat vergeleken met de manier waarop computers werken?
04:27
In the computer, you have all the data
74
249000
2000
In de computer moeten alle gegevens
04:29
going through the central processing unit,
75
251000
2000
de centrale verwerkingseenheid passeren.
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
Elk stukje informatie moet in principe door die flessenhals.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
In de hersenen heb je deze neuronen
04:38
and the data just really flows through a network of connections
78
260000
4000
en de data stromen gewoon door een netwerk van verbindingen
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
tussen de neuronen. Geen flessenhals hier.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Het is echt een netwerk in de letterlijke zin van het woord.
04:48
The net is doing the work in the brain.
81
270000
4000
Dat net doet het werk in de hersenen.
04:52
If you just look at these two pictures,
82
274000
2000
Als je kijkt naar deze twee foto's
04:54
these kind of words pop into your mind.
83
276000
2000
kom je op dit soort ideeën.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Dit is serieel en stijf: het is net als auto's op een snelweg -
05:00
everything has to happen in lockstep --
85
282000
3000
alles moet ordelijk gebeuren.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Maar hier is het parallel en in vochtig midden.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Informatieverwerking is erg dynamisch en adaptief.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Ik ben niet de eerste om op dat idee te komen. Dit is een citaat van Brian Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
'Het probleem met computers is dat ze niet genoeg Afrika in zich hebben.'
05:16
(Laughter)
90
298000
6000
(Gelach)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian zei dit in 1995.
05:25
And nobody was listening then,
92
307000
3000
Niemand luisterde er toe naar,
05:28
but now people are beginning to listen
93
310000
2000
maar nu beginnen mensen ernaar te luisteren
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
want er is een dringend technisch probleem waarmee we worden geconfronteerd.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Daar gaan de volgende paar dia's over.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Er is een opmerkelijke convergentie
05:44
between the devices that we use to compute in computers,
97
326000
5000
tussen de apparaten die we gebruiken om te rekenen in computers
05:49
and the devices that our brains use to compute.
98
331000
4000
en de apparaten die onze hersenen daarvoor gebruiken.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
In computers heten die transistors.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Deze elektrode hier, de 'gate', controleert de stroom
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
van de 'source' naar de 'drain', deze twee elektroden.
06:04
And that current, electrical current,
102
346000
2000
Een stroom
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
van elektronen, net als in jullie huis enzovoort.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Als je de spanning op de gate verhoogt,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
neemt de hoeveelheid stroom toe. Je krijgt een gestage stroom.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
Als je de gate uitschakelt, gaat er geen stroom meer door het apparaat.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Voor de computer betekent deze stroom een één
06:30
and the absence of current to represent a zero.
108
372000
4000
en de afwezigheid ervan een nul.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Als transistors kleiner en kleiner worden,
06:40
they no longer behave like this.
110
382000
2000
gaan ze zich anders gedragen.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Ze gaan zich gedragen als het systeem dat neuronen gebruiken om te rekenen.
06:47
which is called an ion channel.
112
389000
2000
Het wordt een ionkanaal genoemd.
06:49
And this is a little protein molecule.
113
391000
2000
Het is een klein eiwitmolecuul.
06:51
I mean, neurons have thousands of these.
114
393000
4000
In neuronen zitten er duizenden.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Ze bevinden zich in het celmembraan en ze omgeven een porie.
06:59
And these are individual potassium ions
116
401000
3000
Hier zie je kaliumionen
07:02
that are flowing through that pore.
117
404000
2000
door die poriën gaan.
07:04
Now, this pore can open and close.
118
406000
2000
Deze poriën kunnen open en dicht.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Als ze open zijn, omdat deze ionen in de rij moeten staan
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
om er een voor een door te gaan, krijg je een sporadische, geen constante,
07:16
it's a sporadic flow of current.
121
418000
3000
af en toe onderbroken stroom.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
Zelfs als de porie dicht is - neuronen kunnen
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
ze openen en sluiten om elektrische activiteit te genereren -
07:27
even when it's closed, because these ions are so small,
124
429000
3000
zelfs wanneer ze gesloten is, kunnen af en toe een paar ionen
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
erdoor sluipen, omdat ze zo klein zijn.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Wanneer de porie open is,
07:36
you get some current sometimes.
127
438000
2000
krijg je een soms wat stroom, een één.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Dit zijn de énen met af en toe een paar nullen.
07:41
And when it's closed, you have a zero,
129
443000
4000
Als ze gesloten is, heb je een nul,
07:45
but you have a few ones thrown in.
130
447000
3000
maar ook weer met wat énen ertussen.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Dit zie je nu ook al bij transistors.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Dat gebeurt nu in 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
omdat met de huidige technologie een transistor groot genoeg is
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
om meerdere elektronen naast elkaar tegelijk door het kanaal te laten stromen.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
In feite zijn er ongeveer 12 elektronen waarmee dat kan.
08:09
And that means that a transistor corresponds
136
471000
2000
Dat betekent dat een transistor overeenkomt
08:11
to about 12 ion channels in parallel.
137
473000
3000
met ongeveer 12 parallelle ionkanalen.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Binnen een paar jaar tijd, in 2015, zullen we nog veel kleinere transistors maken.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Dit is wat Intel doet om meer eenheden op een chip te krijgen,
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
bijvoorbeeld op je geheugensticks van één gigabyte.
08:27
of stuff on them -- before, it was 256.
141
489000
2000
Vroeger konden daar slechts 256 Kilobytes op.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Transistors werden steeds kleiner
08:32
and technology has really benefitted from that.
143
494000
3000
en de technologie deed er haar voordeel mee.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Maar in 2015 gaat de transistor zo klein worden,
08:40
that it corresponds to only one electron at a time
145
502000
3000
dat er slechts één elektron per keer
08:43
can flow through that channel,
146
505000
2000
via dat kanaal kan passeren.
08:45
and that corresponds to a single ion channel.
147
507000
2000
Dat komt overeen met één enkel ionkanaal.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Je gaat dan hetzelfde soort files krijgen als in het ionkanaal.
08:51
The current will turn on and off at random,
149
513000
3000
De stroom zal op willekeurige wijze aan- en uitgaan
08:54
even when it's supposed to be on.
150
516000
2000
zelfs als het aan zou moeten zijn.
08:56
And that means your computer is going to get
151
518000
2000
Dat betekent dat in je computer
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
de enen en nullen door elkaar gaan geraken en dat je machine gaat crashen.
09:02
So, we are at the stage where we
153
524000
4000
We weten nog niet echt
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
hoe we moeten gaan rekenen met dit soort apparaten.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
Het enige ding dat
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
daarmee overweg kan, zijn de hersenen.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Een computer kiest een specifiek item van gegevens uit het geheugen,
09:19
it sends it into the processor or the ALU,
158
541000
3000
stuurt het door de processor of het ALU
09:22
and then it puts the result back into memory.
159
544000
2000
en zet dan de resultaten terug in het geheugen.
09:24
That's the red path that's highlighted.
160
546000
2000
Dat is het rode gemarkeerde pad.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
De hersenen doen het met al deze neuronen.
09:30
And the way they represent information is
162
552000
2000
Zij breken hun informatie op
09:32
they break up that data into little pieces
163
554000
2000
in kleine stukjes
09:34
that are represented by pulses and different neurons.
164
556000
3000
die worden vertegenwoordigd door pulsen en verschillende neuronen.
09:37
So you have all these pieces of data
165
559000
2000
Al die stukjes gegevens
09:39
distributed throughout the network.
166
561000
2000
zitten verspreid over het hele netwerk.
09:41
And then the way that you process that data to get a result
167
563000
3000
Het proces om van die gegevens naar een resultaat te gaan,
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
komt erop neer dat je dit patroon van activiteit vertaalt naar een nieuw patroon van activiteit
09:48
just by it flowing through the network.
169
570000
3000
door het door het netwerk te laten stromen.
09:51
So you set up these connections
170
573000
2000
Je stelt deze verbindingen
09:53
such that the input pattern just flows
171
575000
3000
zodanig in dat het inputpatroon vanzelf
09:56
and generates the output pattern.
172
578000
2000
door het stromen het outputpatroon genereert.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Je ziet hier deze redundante verbindingen.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Als het een of andere stuk gegevens er de brui aan geeft
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
en hier niet komt opdagen, kunnen deze twee stukken het ontbrekende deel activeren
10:11
with these redundant connections.
176
593000
2000
met deze redundante verbindingen.
10:13
So even when you go to these crappy devices
177
595000
2000
Dus zelfs wanneer je met gebrekkige apparaten zit
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
waar je soms een één wil en een nul krijgt,
10:18
there's redundancy in the network
179
600000
2000
kan redundantie in het netwerk
10:20
that can actually recover the missing information.
180
602000
3000
de ontbrekende informatie herstellen.
10:23
It makes the brain inherently robust.
181
605000
3000
Het maakt de hersenen inherent robuust.
10:26
What you have here is a system where you store data locally.
182
608000
3000
De huidige computer is een systeem waarbij je gegevens lokaal opslaat.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Het is broos want elk van deze stappen moet foutloos verlopen
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
anders verlies je die gegevens. In de hersenen heb je een systeem
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
waar gegevens gedistribueerd worden opgeslagen. Dat is robuust.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Ik wil het nu hebben over mijn droom:
10:44
which is to build a computer that works like the brain.
187
626000
3000
een computer bouwen die werkt als de hersenen.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Hier zijn we al paar jaar mee bezig.
10:51
And I'm going to show you a system that we designed
189
633000
3000
We hebben een systeem ontworpen
10:54
to model the retina,
190
636000
3000
dat het netvlies modelleert.
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
Het netvlies is een stukje hersenen dat de binnenkant van je oogbol bedekt.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
We hebben dit niet gedaan door code te schrijven zoals in een computer.
11:08
In fact, the processing that happens
193
650000
3000
Wat in dat kleine stukje hersenen gebeurt,
11:11
in that little piece of brain is very similar
194
653000
2000
is zeer vergelijkbaar
11:13
to the kind of processing that computers
195
655000
1000
met de werking van computers
11:14
do when they stream video over the Internet.
196
656000
4000
als ze video streamen via het internet.
11:18
They want to compress the information --
197
660000
1000
Om de informatie te comprimeren,
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
versturen ze alleen maar wat er nieuw is in het beeld.
11:23
and that is how your eyeball
199
665000
3000
Dat is hoe je oogbal
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
in staat is om al die informatie door je oogzenuw te persen en
11:29
to send to the rest of the brain.
201
671000
2000
naar de rest van de hersenen te sturen.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
In plaats van dit te doen met software of met algoritmen,
11:34
we went and talked to neurobiologists
203
676000
3000
gingen we spreken met neurobiologen.
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
die het netvlies 'reverse engineered' hebben.
11:41
And they figured out all the different cells,
205
683000
2000
Ze hebben alle verschillende cellen
11:43
and they figured out the network, and we just took that network
206
685000
3000
en het netwerk geanalyseerd. Wij hebben dat netwerk
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
gebruikt als blauwdruk voor het ontwerp van een siliciumchip.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
De neuronen worden vertegenwoordigd door kleine knooppunten of circuits op de chip
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
en de verbindingen tussen de neuronen zijn eigenlijk gemodelleerd door transistors.
12:01
And these transistors are behaving essentially
210
703000
2000
Deze transistors gedragen zich
12:03
just like ion channels behave in the brain.
211
705000
3000
net als de ionkanalen in de hersenen.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Daardoor krijg je dezelfde soort van robuuste architectuur die ik heb beschreven.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Hier is hoe ons kunstoog eruit ziet.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
De netvlies-chip die we hebben ontworpen, zit achter deze lens hier.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Ik ga jullie een video laten zien van wat
12:22
that the silicon retina put out of its output
216
724000
3000
het siliciumnetvlies produceert
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
als het kijkt naar Kareem Zaghloul.
12:28
who's the student who designed this chip.
218
730000
2000
Dat is de student die deze chip ontwierp.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Laat me even uitleggen wat je gaat zien.
12:32
because it's putting out different kinds of information,
220
734000
3000
Dit produceert verschillende soorten informatie.
12:35
it's not as straightforward as a camera.
221
737000
2000
Het is niet zo eenvoudig als een camera.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
De netvlies-chip haalt vier verschillende soorten informatie op.
12:40
It extracts regions with dark contrast,
223
742000
3000
Hij haalt de gebieden met donkere contrasten eruit.
12:43
which will show up on the video as red.
224
745000
3000
Die verschijnen op de video als rood.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Hij haalt ook de gebieden met wit of met licht contrast eruit.
12:50
which will show up on the video as green.
226
752000
2000
Dit wordt op de video als groen weergegeven.
12:52
This is Kareem's dark eyes
227
754000
2000
Dit zijn de donkere ogen van Kareem
12:54
and that's the white background that you see here.
228
756000
3000
en dat is de witte achtergrond die je hier ziet.
12:57
And then it also extracts movement.
229
759000
2000
Ook beweging wordt eruit gehaald.
12:59
When Kareem moves his head to the right,
230
761000
2000
Als Kareem zijn hoofd naar rechts beweegt,
13:01
you will see this blue activity there;
231
763000
2000
zien jullie die blauwe activiteit daar.
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
Dat vertegenwoordigt de gebieden waar het contrast toeneemt,
13:06
that's where it's going from dark to light.
233
768000
3000
waar het van donker naar licht gaat.
13:09
And you also see this yellow activity,
234
771000
2000
Deze gele activiteit geeft aan
13:11
which represents regions where contrast is decreasing;
235
773000
4000
waar het contrast afneemt,
13:15
it's going from light to dark.
236
777000
2000
waar het van licht naar donker gaat.
13:17
And these four types of information --
237
779000
3000
Je oogzenuw bevat ongeveer
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
een miljoen vezels
13:24
and 900,000 of those fibers
239
786000
3000
en 900.000 van deze vezels
13:27
send these four types of information.
240
789000
2000
sturen deze vier soorten informatie door.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
We dupliceren dus echt een soort signalen als die van de oogzenuw.
13:33
What you notice here is that these snapshots
242
795000
3000
Je merkt dat deze snapshots
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
genomen van de output van de netvlies-chip zeer schaars zijn.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Het licht niet overal groen op in de achtergrond,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
alleen aan de randen enzovoort.
13:45
And this is the same thing you see
246
807000
1000
Dat zie je ook
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
als mensen video comprimeren om te verzenden: ze willen het heel schaars maken
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
want dan is dat bestand kleiner. Dat doet het netvlies ook.
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
Alleen maar met de circuits. Dit netwerk van neuronen
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
met dit soort interactie hebben we gemodelleerd op de chip.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Maar het punt dat ik wil maken, zal ik je hier laten zien.
14:03
So this image here is going to look like these ones,
252
825000
3000
Dit beeld hier lijkt op dit.
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
Maar als we het beeld hier reconstrueren,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
kan je in dat bovenste gedeelte Kareem bijna herkennen.
14:13
And so, here you go.
255
835000
2000
Ziezo.
14:24
Yes, so that's the idea.
256
846000
3000
Dat is het idee.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Als het stilstaat, zie je alleen de licht-en-donkercontrasten.
14:29
But when it's moving back and forth,
258
851000
2000
Maar als het heen en weer beweegt,
14:31
the retina picks up these changes.
259
853000
3000
dan registreert het netvlies deze veranderingen.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Als je hier zit
14:35
and something happens in your background,
261
857000
2000
en er gebeurt iets op de achtergrond,
14:37
you merely move your eyes to it.
262
859000
2000
wend je alleen maar je ogen ernaartoe.
14:39
There are these cells that detect change
263
861000
2000
Deze cellen detecteren verandering
14:41
and you move your attention to it.
264
863000
2000
en dat trekt je aandacht.
14:43
So those are very important for catching somebody
265
865000
2000
Dat is zeer belangrijk
14:45
who's trying to sneak up on you.
266
867000
2000
als iemand je probeert te besluipen.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Laat me eindigen met te zeggen dat dit is wat je krijgt
14:50
when you put Africa in a piano, OK.
268
872000
3000
als je Afrika in een piano stopt.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Dit is een gewijzigde steel drum
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
of met andere woorden: Afrika in een piano.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
Ik wil Afrika in de computer krijgen
15:03
and come up with a new kind of computer
272
885000
2000
om met een nieuw soort computer te komen.
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
Een die zal denken, verbeelding genereren, creatief zijn en dat soort dingen.
15:08
Thank you.
274
890000
2000
Dank je.
15:10
(Applause)
275
892000
2000
(Applaus)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson: Een vraag voor jou, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Heeft het werk dat je doet, de toekomst van Afrika,
15:18
the future of Africa, this conference --
278
900000
3000
deze conferentie voor jou allemaal met elkaar te maken?
15:21
what connections can we make, if any, between them?
279
903000
3000
Welke verbindingen kunnen we eventueel daartussen leggen?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen: Ja, zoals ik al in het begin zei.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Ik kreeg mijn eerste computer toen ik een tiener was in Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
Ik had een buikgevoel dat dit de verkeerde manier was om het te doen.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Het was brute kracht, niet erg elegant.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Ik denk niet dat ik die reactie zou hebben gehad
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
als ik was opgegroeid met al die science fiction-literatuur,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
over RD2D2, of hoe hij ook mag heten, en
15:46
buying into this hype about computers.
287
928000
1000
mee te lopen in deze hype over computers.
15:47
I was coming at it from a different perspective,
288
929000
2000
Ik kwam vanuit een ander perspectief,
15:49
where I was bringing that different perspective
289
931000
2000
ik keek vanuit een ander perspectief
15:51
to bear on the problem.
290
933000
2000
naar het probleem.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Ik denk dat veel mensen in Afrika het vanuit deze andere invalshoek bekijken
15:56
and I think that's going to impact technology.
292
938000
2000
en ik denk dat dat impact gaat hebben op de technologie.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
Het gaat de ontwikkeling ervan beïnvloeden.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
Die instroom gaat ervoor zorgen
16:02
to come up with new things,
295
944000
2000
dat er nieuwe dingen zullen komen
16:04
because you're coming from a different perspective.
296
946000
3000
omdat je het benadert vanuit een ander perspectief.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Ik denk dat we een bijdrage kunnen leveren, we kunnen dromen net als iedereen.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Bedankt Kwabena, dat was echt interessant.
16:13
Thank you.
299
955000
1000
Dank je.
16:14
(Applause)
300
956000
2000
(Applaus)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com