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

Why you should listen

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

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

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

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

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

Kwabena Boahen: A computer that works like the brain

Kwabena Boahen o komputerze działającym jak mózg

Filmed:
718,375 views

Kwabena Boahen szuka sposobów odwzorowania superkomputerowej mocy obliczeniowej mózgu przy użyciu krzemu -- ponieważ chaotyczne i nieoptymalne procesy przebiegające w naszych głowach to w rzeczywistości mały, lekki i niesłychanie szybki komputer.
- Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio

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

00:18
I got my first computerkomputer when I was a teenagernastolatek growingrozwój up in AccraAccra,
0
0
5000
Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze
00:23
and it was a really coolchłodny deviceurządzenie.
1
5000
3000
i było to naprawdę fajne urządzenie.
00:26
You could playgrać gamesGry with it. You could programprogram it in BASICBASIC.
2
8000
5000
Można było na nim grać w gry, można było programować w BASIC-u.
00:31
And I was fascinatedzafascynowany.
3
13000
2000
Byłem zafascynowany.
00:33
So I wentposzedł into the librarybiblioteka to figurepostać out how did this thing work.
4
15000
6000
Poszedłem więc do biblioteki, żeby dowiedzieć się jak to działa.
00:39
I readczytać about how the CPUPROCESORA is constantlystale shufflingtasowanie datadane back and forthnaprzód
5
21000
5000
Czytałem o tym, jak procesor nieustannie przerzuca dane w tę i z powrotem
00:44
betweenpomiędzy the memorypamięć, the RAMPAMIĘCI RAM and the ALUALU,
6
26000
4000
między pamięcią -- RAM-em a ALU,
00:48
the arithmeticarytmetyka and logiclogika unitjednostka.
7
30000
2000
jednostką arytmetyczno-logiczną.
00:50
And I thought to myselfsiebie, this CPUPROCESORA really has to work like crazyzwariowany
8
32000
4000
I pomyślałem sobie -- ten procesor musi naprawdę pracować jak szalony
00:54
just to keep all this datadane movingw ruchu throughprzez the systemsystem.
9
36000
4000
tylko po to, żeby te wszystkie dane przemieszczać w komputerze.
00:58
But nobodynikt was really worriedzmartwiony about this.
10
40000
3000
Ale nikt się tym faktycznie nie przejmował.
01:01
When computerskomputery were first introducedwprowadzony,
11
43000
2000
Gdy pojawiły się pierwsze komputery
01:03
they were said to be a millionmilion timesczasy fasterszybciej than neuronsneurony.
12
45000
3000
mówiono, że są milion razy szybsze niż neurony.
01:06
People were really excitedpodekscytowany. They thought they would soonwkrótce outstripwyprzedzi
13
48000
5000
Ludzie byli naprawdę zachwyceni, sądzili że wkrótce prześcigną
01:11
the capacityPojemność of the brainmózg.
14
53000
3000
możliwości mózgu.
01:14
This is a quotezacytować, actuallytak właściwie, from AlanAlan TuringTuringa:
15
56000
3000
To cytat z wypowiedzi Alana Turinga:
01:17
"In 30 yearslat, it will be as easyłatwo to askzapytać a computerkomputer a questionpytanie
16
59000
4000
„Za 30 lat będzie tak samo łatwo zadać pytanie komputerowi,
01:21
as to askzapytać a personosoba."
17
63000
2000
jak zapytać o coś człowieka.”
01:23
This was in 1946. And now, in 2007, it's still not trueprawdziwe.
18
65000
7000
Powiedział to w 1946 r. Teraz mamy rok 2007 i wciąż tak nie jest.
01:30
And so, the questionpytanie is, why aren'tnie są we really seeingwidzenie
19
72000
4000
Pytanie brzmi: dlaczego naprawdę nie pojawiła się
01:34
this kinduprzejmy of powermoc in computerskomputery that we see in the brainmózg?
20
76000
4000
w komputerach taka moc, jaka istnieje w mózgu?
01:38
What people didn't realizerealizować, and I'm just beginningpoczątek to realizerealizować right now,
21
80000
4000
Ludzie nie zdawali sobie sprawy, a ja dopiero teraz zaczynam to dostrzegać,
01:42
is that we payzapłacić a hugeolbrzymi pricecena for the speedprędkość
22
84000
2000
że płacimy ogromną cenę za szybkość,
01:44
that we claimroszczenie is a bigduży advantageZaletą of these computerskomputery.
23
86000
4000
która ma być wielką zaletą tych komputerów.
01:48
Let's take a look at some numbersliczby.
24
90000
2000
Przyjrzyjmy się pewnym liczbom.
01:50
This is BlueNiebieski GeneGen, the fastestnajszybszy computerkomputer in the worldświat.
25
92000
4000
To jest Blue Gene – najszybszy komputer na świecie.
01:54
It's got 120,000 processorsprocesory; they can basicallygruntownie processproces
26
96000
5000
Ma 120 000 procesorów -- mogą one przetwarzać
01:59
10 quadrillionquadrillion bitsbity of informationInformacja perza seconddruga.
27
101000
3000
10 biliardów bitów informacji na sekundę.
02:02
That's 10 to the sixteenthXVI. And they consumekonsumować one and a halfpół megawattsmegawatów of powermoc.
28
104000
7000
To jest 10 do potęgi 16. I zużywają półtora megawata energii.
02:09
So that would be really great, if you could addDodaj that
29
111000
3000
Byłoby wspaniale, gdyby można o tyle zwiększyć
02:12
to the productionprodukcja capacityPojemność in TanzaniaTanzania.
30
114000
2000
moce produkcyjne w Tanzanii.
02:14
It would really boostBoost the economygospodarka.
31
116000
2000
To by naprawdę rozpędziło gospodarkę.
02:16
Just to go back to the StatesPaństwa,
32
118000
4000
Ale wróćmy do Stanów Zjednoczonych.
02:20
if you translateTłumaczyć the amountilość of powermoc or electricityElektryczność
33
122000
2000
Jeśli przełożyć ilość prądu,
02:22
this computerkomputer usesużywa to the amountilość of householdsGospodarstwa domowe in the StatesPaństwa,
34
124000
3000
jaką zużywa ten komputer, na liczbę gospodarstw domowych w USA,
02:25
you get 1,200 householdsGospodarstwa domowe in the U.S.
35
127000
4000
otrzymamy 1 200 takich gospodarstw.
02:29
That's how much powermoc this computerkomputer usesużywa.
36
131000
2000
Tyle energii zużywa ten komputer.
02:31
Now, let's compareporównać this with the brainmózg.
37
133000
3000
Teraz porównajmy to z mózgiem.
02:34
This is a pictureobrazek of, actuallytak właściwie RoryRory Sayres'Sayres girlfriend'sdziewczyna jest brainmózg.
38
136000
5000
To jest obraz mózgu -- tak dokładnie to należącego do dziewczyny Rory'ego Sayresa.
02:39
RoryRory is a graduateukończyć studentstudent at StanfordStanford.
39
141000
2000
Rory jest doktorantem w Stanford.
02:41
He studiesstudia the brainmózg usingza pomocą MRIMRI, and he claimsroszczenia that
40
143000
4000
Bada mózg przy użyciu MRI i twierdzi, że
02:45
this is the mostwiększość beautifulpiękny brainmózg that he has ever scannedzeskanowany.
41
147000
3000
to najpiękniejszy mózg, jaki kiedykolwiek skanował.
02:48
(LaughterŚmiech)
42
150000
2000
(Śmiech)
02:50
So that's trueprawdziwe love, right there.
43
152000
3000
I to właśnie jest prawdziwa miłość.
02:53
Now, how much computationobliczenie does the brainmózg do?
44
155000
3000
A więc -- ile obliczeń wykonuje mózg?
02:56
I estimateoszacowanie 10 to the 16 bitsbity perza seconddruga,
45
158000
2000
Oszacowałem, że jakieś 10 do potęgi 16 na sekundę,
02:58
whichktóry is actuallytak właściwie about very similarpodobny to what BlueNiebieski GeneGen does.
46
160000
4000
czyli dość podobną liczbę do Blue Gene.
03:02
So that's the questionpytanie. The questionpytanie is, how much --
47
164000
2000
Pojawia się więc pytanie. Oto pytanie, ile --
03:04
they are doing a similarpodobny amountilość of processingprzetwarzanie, similarpodobny amountilość of datadane --
48
166000
3000
a wykonują podobną ilość obliczeń, przetwarzają podobną ilość danych --
03:07
the questionpytanie is how much energyenergia or electricityElektryczność does the brainmózg use?
49
169000
5000
pytanie brzmi: ile energii czy prądu zużywa mózg?
03:12
And it's actuallytak właściwie as much as your laptopkomputer przenośny computerkomputer:
50
174000
3000
Zużywa jej w rzeczywistości tyle, ile laptop:
03:15
it's just 10 wattswatów.
51
177000
2000
tylko 10 watów.
03:17
So what we are doing right now with computerskomputery
52
179000
3000
Tak więc to, co robimy obecnie na komputerach,
03:20
with the energyenergia consumedstrawiony by 1,200 housesdomy,
53
182000
3000
wykorzystując energię w ilości zużywanej przez 1 200 domów,
03:23
the brainmózg is doing with the energyenergia consumedstrawiony by your laptopkomputer przenośny.
54
185000
5000
mózg wykonuje, wykorzystując ilość energii używaną przez laptopa.
03:28
So the questionpytanie is, how is the brainmózg ablezdolny to achieveosiągać this kinduprzejmy of efficiencywydajność?
55
190000
3000
Tak więc mamy pytanie -- jak mózg osiąga taką wydajność?
03:31
And let me just summarizepodsumować. So the bottomDolny linelinia:
56
193000
2000
Krótkie podsumowanie. Najważniejsza informacja:
03:33
the brainmózg processesprocesy informationInformacja usingza pomocą 100,000 timesczasy lessmniej energyenergia
57
195000
4000
mózg przetwarza informacje zużywając 100 tysięcy razy mniej energii
03:37
than we do right now with this computerkomputer technologytechnologia that we have.
58
199000
4000
niż komputery, jakie obecnie mamy.
03:41
How is the brainmózg ablezdolny to do this?
59
203000
2000
Jak mózg jest w stanie tego dokonać?
03:43
Let's just take a look about how the brainmózg worksPrace,
60
205000
3000
Przyjrzyjmy się temu, jak działa mózg,
03:46
and then I'll compareporównać that with how computerskomputery work.
61
208000
4000
a następnie porównam to ze sposobem działania komputerów.
03:50
So, this clipspinacz is from the PBSPBS seriesseria, "The SecretSekret Life of the BrainMózg."
62
212000
4000
To jest fragment z serialu telewizji PBS „Sekretne życie mózgu”.
03:54
It showsprzedstawia you these cellskomórki that processproces informationInformacja.
63
216000
3000
Widać tu komórki przetwarzające informacje.
03:57
They are callednazywa neuronsneurony.
64
219000
1000
To neurony.
03:58
They sendwysłać little pulsesimpulsy of electricityElektryczność down theirich processesprocesy to eachkażdy other,
65
220000
6000
Przesyłają przez swoje wypustki małe impulsy elektryczne do siebie nawzajem,
04:04
and where they contactkontakt eachkażdy other, those little pulsesimpulsy
66
226000
2000
a gdy się ze sobą kontaktują, te małe impulsy
04:06
of electricityElektryczność can jumpskok from one neuronneuron to the other.
67
228000
2000
elektryczne przeskakują z jednego neuronu do drugiego.
04:08
That processproces is callednazywa a synapsesynapsy.
68
230000
3000
Ta wypustka to synapsa.
04:11
You've got this hugeolbrzymi networksieć of cellskomórki interactinginterakcja with eachkażdy other --
69
233000
2000
Mamy wielką sieć komórek kontaktujących się ze sobą.
04:13
about 100 millionmilion of them,
70
235000
2000
Jest ich około 100 milionów.
04:15
sendingwysyłanie about 10 quadrillionquadrillion of these pulsesimpulsy around everykażdy seconddruga.
71
237000
4000
Wysyłają około 10 biliardów takich impulsów w każdej sekundzie.
04:19
And that's basicallygruntownie what's going on in your brainmózg right now as you're watchingoglądanie this.
72
241000
6000
I właśnie teraz, gdy mnie oglądacie, to dzieje się w waszych mózgach.
04:25
How does that compareporównać with the way computerskomputery work?
73
247000
2000
Jak to się ma do sposobu działania komputerów?
04:27
In the computerkomputer, you have all the datadane
74
249000
2000
W komputerze wszystkie dane
04:29
going throughprzez the centralcentralny processingprzetwarzanie unitjednostka,
75
251000
2000
przechodzą przez procesor
04:31
and any piecekawałek of datadane basicallygruntownie has to go throughprzez that bottleneckszyjka,
76
253000
3000
i każda informacja musi przejść przez to wąskie gardło.
04:34
whereasnatomiast in the brainmózg, what you have is these neuronsneurony,
77
256000
4000
Podczas gdy w mózgu mamy neurony,
04:38
and the datadane just really flowsprzepływy throughprzez a networksieć of connectionsznajomości
78
260000
4000
a dane po prostu płyną przez sieć połączeń
04:42
amongpośród the neuronsneurony. There's no bottleneckszyjka here.
79
264000
2000
między neuronami -- nie ma tu żadnego wąskiego gardła.
04:44
It's really a networksieć in the literaldosłowny sensesens of the wordsłowo.
80
266000
4000
To naprawdę sieć w dosłownym znaczeniu.
04:48
The netnetto is doing the work in the brainmózg.
81
270000
4000
W mózgu sieć wykonuje pracę.
04:52
If you just look at these two pictureskino,
82
274000
2000
Jeśli tylko spojrzycie na te dwa obrazki,
04:54
these kinduprzejmy of wordssłowa popmuzyka pop into your mindumysł.
83
276000
2000
pomyślicie sobie:
04:56
This is serialpowieść w odcinkach and it's rigidsztywne -- it's like carssamochody on a freewayFreeway,
84
278000
4000
To jest szeregowe i nieelastyczne: jak samochody na autostradzie --
05:00
everything has to happenzdarzyć in locksteplockstep --
85
282000
3000
wszystko musi przebiegać krok po kroku.
05:03
whereasnatomiast this is parallelrównolegle and it's fluidpłyn.
86
285000
2000
Natomiast to jest równoległe i płynne.
05:05
InformationInformacje processingprzetwarzanie is very dynamicdynamiczny and adaptiveadaptacyjny.
87
287000
3000
Przetwarzanie informacji jest bardzo dynamiczne i zdolne do adaptacji.
05:08
So I'm not the first to figurepostać this out. This is a quotezacytować from BrianBrian EnoEno:
88
290000
4000
Nie ja pierwszy to zauważyłem. Zacytuję Briana Eno:
05:12
"the problemproblem with computerskomputery is that there is not enoughdość AfricaAfryka in them."
89
294000
4000
„Problem z komputerami polega na tym, że za mało w nich Afryki.”
05:16
(LaughterŚmiech)
90
298000
6000
(Śmiech)
05:22
BrianBrian actuallytak właściwie said this in 1995.
91
304000
3000
Brian naprawdę powiedział to w 1995 r.
05:25
And nobodynikt was listeningsłuchający then,
92
307000
3000
I nikt tego wtedy nie słuchał,
05:28
but now people are beginningpoczątek to listen
93
310000
2000
ale teraz ludzie zaczęli słuchać,
05:30
because there's a pressingpilny, technologicaltechniczny problemproblem that we facetwarz.
94
312000
5000
ponieważ mamy palący problem techniczny.
05:35
And I'll just take you throughprzez that a little bitkawałek in the nextNastępny fewkilka slidesslajdy.
95
317000
5000
Przedstawię to wam krótko na kilku następnych slajdach.
05:40
This is -- it's actuallytak właściwie really this remarkableznakomity convergencekonwergencja
96
322000
4000
To jest -- naprawdę istnieje znacząca zbieżność pomiędzy
05:44
betweenpomiędzy the devicespomysłowość that we use to computeobliczać in computerskomputery,
97
326000
5000
urządzeniami wykonującymi obliczenia w komputerach
05:49
and the devicespomysłowość that our brainsmózg use to computeobliczać.
98
331000
4000
i urządzeniami wykonującymi obliczenia w naszych mózgach.
05:53
The devicespomysłowość that computerskomputery use are what's callednazywa a transistortranzystor.
99
335000
4000
Urządzenia wykorzystywane w komputerach to tranzystory.
05:57
This electrodeelektroda here, callednazywa the gatebrama, controlssterownica the flowpływ of currentobecny
100
339000
4000
Ta elektroda -- nazywana bramką -- steruje przepływem prądu
06:01
from the sourceźródło to the draindrenażu -- these two electrodeselektrody.
101
343000
3000
ze źródła do drenu -- to te dwie elektrody.
06:04
And that currentobecny, electricalelektryczny currentobecny,
102
346000
2000
A ten prąd, prąd elektryczny,
06:06
is carriedrealizowane by electronselektrony, just like in your housedom and so on.
103
348000
6000
jest przenoszony przez elektrony, tak jak [w instalacjach] w waszych domach, itp.
06:12
And what you have here is, when you actuallytak właściwie turnskręcać on the gatebrama,
104
354000
5000
I działa to tak: gdy włączymy bramkę,
06:17
you get an increasezwiększać in the amountilość of currentobecny, and you get a steadystały flowpływ of currentobecny.
105
359000
4000
prąd wzrasta i mamy stały jego przepływ.
06:21
And when you turnskręcać off the gatebrama, there's no currentobecny flowingpłynący throughprzez the deviceurządzenie.
106
363000
4000
A gdy wyłączymy bramkę, przez urządzenie nie płynie prąd.
06:25
Your computerkomputer usesużywa this presenceobecność of currentobecny to representprzedstawiać a one,
107
367000
5000
Komputery używają obecności prądu jako reprezentacji jedynki
06:30
and the absencebrak of currentobecny to representprzedstawiać a zerozero.
108
372000
4000
a braku prądu jako reprezentacji zera.
06:34
Now, what's happeningwydarzenie is that as transistorstranzystory are gettinguzyskiwanie smallermniejszy and smallermniejszy and smallermniejszy,
109
376000
6000
Teraz, gdy tranzystory stają się coraz mniejsze i mniejsze,
06:40
they no longerdłużej behavezachować się like this.
110
382000
2000
przestają się tak zachowywać.
06:42
In factfakt, they are startingstartowy to behavezachować się like the deviceurządzenie that neuronsneurony use to computeobliczać,
111
384000
5000
Zaczynają zachowywać się jak mechanizm wykorzystywany do obliczeń w neuronach,
06:47
whichktóry is callednazywa an ionIon channelkanał.
112
389000
2000
nazywany kanałem jonowym.
06:49
And this is a little proteinbiałko moleculecząsteczka.
113
391000
2000
Jest to mała cząsteczka białka.
06:51
I mean, neuronsneurony have thousandstysiące of these.
114
393000
4000
To znaczy -- neurony zawierają ich tysiące.
06:55
And it sitssiedzi in the membranemembrana of the cellkomórka and it's got a poreporów in it.
115
397000
4000
Znajduje się on w błonie komórkowej i ma w sobie otwór.
06:59
And these are individualindywidualny potassiumpotasu ionsjony
116
401000
3000
A to są pojedyncze jony potasowe
07:02
that are flowingpłynący throughprzez that poreporów.
117
404000
2000
przepływające przez ten otwór.
07:04
Now, this poreporów can openotwarty and closeblisko.
118
406000
2000
Ten otwór może zamykać się i otwierać.
07:06
But, when it's openotwarty, because these ionsjony have to linelinia up
119
408000
5000
Ale gdy jest otwarty -- dlatego że te jony muszą być ustawione w szeregu
07:11
and flowpływ throughprzez, one at a time, you get a kinduprzejmy of sporadicsporadyczne, not steadystały --
120
413000
5000
i przepływać pojedynczo -- mamy przerywany, a nie stały --
07:16
it's a sporadicsporadyczne flowpływ of currentobecny.
121
418000
3000
nieregularny przepływ prądu.
07:19
And even when you closeblisko the poreporów -- whichktóry neuronsneurony can do,
122
421000
3000
A gdy otwór zostanie zamknięty -- co neurony mogą robić,
07:22
they can openotwarty and closeblisko these porespory to generateGenerować electricalelektryczny activityczynność --
123
424000
5000
mogą otwierać i zamykać te otwory, by powodować aktywność elektryczną –
07:27
even when it's closedZamknięte, because these ionsjony are so smallmały,
124
429000
3000
nawet gdy jest zamknięty, ponieważ te jony są tak małe,
07:30
they can actuallytak właściwie sneakskradający się throughprzez, a fewkilka can sneakskradający się throughprzez at a time.
125
432000
3000
mogą się przecisnąć; kilka może się przedostać co jakiś czas.
07:33
So, what you have is that when the poreporów is openotwarty,
126
435000
3000
Tak więc gdy otwór jest otwarty,
07:36
you get some currentobecny sometimesczasami.
127
438000
2000
czasem płynie jakiś prąd.
07:38
These are your oneste, but you've got a fewkilka zeroszer thrownrzucony in.
128
440000
3000
To są nasze jedynki, ale pojawia się tam też trochę zer.
07:41
And when it's closedZamknięte, you have a zerozero,
129
443000
4000
A gdy jest zamknięty, mamy zero,
07:45
but you have a fewkilka oneste thrownrzucony in.
130
447000
3000
ale pojawia się też trochę jedynek.
07:48
Now, this is startingstartowy to happenzdarzyć in transistorstranzystory.
131
450000
3000
Tak zaczyna się dziać również w przypadku tranzystorów.
07:51
And the reasonpowód why that's happeningwydarzenie is that, right now, in 2007 --
132
453000
5000
A powodem tego jest to, że teraz, w roku 2007
07:56
the technologytechnologia that we are usingza pomocą -- a transistortranzystor is bigduży enoughdość
133
458000
4000
używana przez nas technologia czyni tranzystor dostatecznie dużym,
08:00
that severalkilka electronselektrony can flowpływ throughprzez the channelkanał simultaneouslyrównocześnie, sidebok by sidebok.
134
462000
5000
żeby kilka elektronów mogło płynąć przez kanał jednocześnie, obok siebie.
08:05
In factfakt, there's about 12 electronselektrony can all be flowingpłynący this way.
135
467000
4000
W rzeczywistości około 12 elektronów może płynąć w taki sposób.
08:09
And that meansznaczy that a transistortranzystor correspondsodpowiada
136
471000
2000
Znaczy to, że tranzystor jest odpowiednikiem
08:11
to about 12 ionIon channelskanały in parallelrównolegle.
137
473000
3000
około 12 równoległych kanałów jonowych.
08:14
Now, in a fewkilka yearslat time, by 2015, we will shrinkkurczyć się transistorstranzystory so much.
138
476000
5000
Za kilka lat, do roku 2015 tranzystory będą znacznie mniejsze.
08:19
This is what IntelProcesor Intel does to keep addingdodawanie more coresrdzenie ontona the chipżeton.
139
481000
5000
Nad tym pracuje Intel, żeby móc dodawać coraz więcej rdzeni do procesorów;
08:24
Or your memorypamięć stickskije that you have now can carrynieść one gigabyteGigabyte
140
486000
3000
również popularne pendrive'y mieszczą dziś jeden gigabajt
08:27
of stuffrzeczy on them -- before, it was 256.
141
489000
2000
zawartości -- wcześniej było to 256 MB.
08:29
TransistorsTranzystory are gettinguzyskiwanie smallermniejszy to allowdopuszczać this to happenzdarzyć,
142
491000
3000
Aby to umożliwić tranzystory stają się coraz mniejsze,
08:32
and technologytechnologia has really benefittedskorzystały from that.
143
494000
3000
a technika na tym naprawdę korzysta.
08:35
But what's happeningwydarzenie now is that in 2015, the transistortranzystor is going to becomestają się so smallmały,
144
497000
5000
Ale doprowadzi to do tego, że w 2015. tranzystory będą tak małe,
08:40
that it correspondsodpowiada to only one electronelektron at a time
145
502000
3000
że tylko jeden elektron na raz
08:43
can flowpływ throughprzez that channelkanał,
146
505000
2000
będzie mógł przepłynąć przez kanał,
08:45
and that correspondsodpowiada to a singlepojedynczy ionIon channelkanał.
147
507000
2000
a to odpowiada pojedynczemu kanałowi jonowemu.
08:47
And you startpoczątek havingmający the samepodobnie kinduprzejmy of trafficruch drogowy jamsdżemy that you have in the ionIon channelkanał.
148
509000
4000
I będziemy mieli takie same zatory, jakie występują w kanale jonowym,
08:51
The currentobecny will turnskręcać on and off at randomlosowy,
149
513000
3000
prąd będzie się włączać i wyłączać losowo,
08:54
even when it's supposeddomniemany to be on.
150
516000
2000
nawet gdy ma być włączony.
08:56
And that meansznaczy your computerkomputer is going to get
151
518000
2000
A to znaczy, że w komputerze
08:58
its oneste and zeroszer mixedmieszany up, and that's going to crashwypadek your machinemaszyna.
152
520000
4000
jedynki i zera będą się mieszać -- no i komputer się zawiesi.
09:02
So, we are at the stageetap where we
153
524000
4000
Tak więc, jesteśmy na etapie, gdy
09:06
don't really know how to computeobliczać with these kindsrodzaje of devicespomysłowość.
154
528000
3000
naprawdę nie wiemy jak prowadzić obliczenia przy użyciu takich urządzeń.
09:09
And the only kinduprzejmy of thing -- the only thing we know right now
155
531000
3000
I jedyny dziś znany nam mechanizm,
09:12
that can computeobliczać with these kindsrodzaje of devicespomysłowość are the brainmózg.
156
534000
3000
który potrafi prowadzić obliczenia przy użyciu takich urządzeń to mózg.
09:15
OK, so a computerkomputer picksopcji a specifickonkretny itempozycja of datadane from memorypamięć,
157
537000
4000
OK. Więc komputer bierze określoną daną z pamięci,
09:19
it sendswysyła it into the processoredytor or the ALUALU,
158
541000
3000
wysyła ją do procesora, czyli jednostki arytmetyczno-logicznej,
09:22
and then it putsstawia the resultwynik back into memorypamięć.
159
544000
2000
a potem wstawia ją z powrotem do pamięci.
09:24
That's the redczerwony pathścieżka that's highlightedpodświetlony.
160
546000
2000
To ta ścieżka wyróżniona na czerwono.
09:26
The way brainsmózg work, I told you all, you have got all these neuronsneurony.
161
548000
4000
Mózg działa w taki sposób, że mamy te wszystkie neurony,
09:30
And the way they representprzedstawiać informationInformacja is
162
552000
2000
a one przekazują informacje przez
09:32
they breakprzerwa up that datadane into little piecessztuk
163
554000
2000
podzielenie danych na małe kawałeczki,
09:34
that are representedreprezentowany by pulsesimpulsy and differentróżne neuronsneurony.
164
556000
3000
których reprezentacją są impulsy i różne neurony.
09:37
So you have all these piecessztuk of datadane
165
559000
2000
Mamy więc te wszystkie kawałeczki danych
09:39
distributedRozpowszechniane throughoutpoprzez the networksieć.
166
561000
2000
rozsyłane przez sieć.
09:41
And then the way that you processproces that datadane to get a resultwynik
167
563000
3000
A przetwarzanie tych danych w celu otrzymania wyników polega na
09:44
is that you translateTłumaczyć this patternwzór of activityczynność into a newNowy patternwzór of activityczynność,
168
566000
4000
przetłumaczeniu tego wzorca aktywności na nowy wzorzec aktywności,
09:48
just by it flowingpłynący throughprzez the networksieć.
169
570000
3000
po prostu przepuszczając dane przez sieć.
09:51
So you setzestaw up these connectionsznajomości
170
573000
2000
Mamy więc takie połączenia,
09:53
suchtaki that the inputwkład patternwzór just flowsprzepływy
171
575000
3000
dzięki którym wzorzec wejściowy po prostu przepływa
09:56
and generatesgeneruje the outputwydajność patternwzór.
172
578000
2000
i generuje wzorzec wyjściowy.
09:58
What you see here is that there's these redundantzbędny connectionsznajomości.
173
580000
4000
Widzimy tu, że mamy nadmiarowe połączenia.
10:02
So if this piecekawałek of datadane or this piecekawałek of the datadane getsdostaje clobberedzasłoniła,
174
584000
4000
Więc jeśli ten lub tamten fragment danych gdzieś utknie
10:06
it doesn't showpokazać up over here, these two piecessztuk can activateaktywować the missingbrakujący partczęść
175
588000
5000
i nie dotrze do celu, te dwa fragmenty mogą aktywować brakującą część
10:11
with these redundantzbędny connectionsznajomości.
176
593000
2000
dzięki połączeniom nadmiarowym.
10:13
So even when you go to these crappybzdury devicespomysłowość
177
595000
2000
Więc nawet gdy korzystamy z takich kiepskich urządzeń,
10:15
where sometimesczasami you want a one and you get a zerozero, and it doesn't showpokazać up,
178
597000
3000
w których czasem chcemy jedynkę, a dostajemy zero,
10:18
there's redundancynadmiarowości in the networksieć
179
600000
2000
mamy nadmiarowość sieci,
10:20
that can actuallytak właściwie recoverwyzdrowieć the missingbrakujący informationInformacja.
180
602000
3000
która pozwala odzyskać brakujące informacje.
10:23
It makesczyni the brainmózg inherentlywłaściwie robustkrzepki.
181
605000
3000
Wbudowuje to w mózg niezawodność.
10:26
What you have here is a systemsystem where you storesklep datadane locallylokalnie.
182
608000
3000
Tu mamy system, w którym dane są przechowywane lokalnie.
10:29
And it's brittlekruchy, because eachkażdy of these stepskroki has to be flawlessbez skazy,
183
611000
4000
Jest on delikatny, ponieważ każdy z kroków musi być bezbłędny --
10:33
otherwisew przeciwnym razie you losestracić that datadane, whereasnatomiast in the brainmózg, you have a systemsystem
184
615000
3000
inaczej stracimy dane. Natomiast w mózgu mamy system
10:36
that storessklepy datadane in a distributedRozpowszechniane way, and it's robustkrzepki.
185
618000
4000
rozproszonego przechowywania danych -- i jest on niezawodny.
10:40
What I want to basicallygruntownie talk about is my dreamśnić,
186
622000
4000
Chcę opowiedzieć, najprościej mówiąc, o moim marzeniu,
10:44
whichktóry is to buildbudować a computerkomputer that worksPrace like the brainmózg.
187
626000
3000
którym jest zbudowanie komputera pracującego jak mózg.
10:47
This is something that we'vemamy been workingpracujący on for the last couplepara of yearslat.
188
629000
4000
Pracujemy nad tym od kilku lat.
10:51
And I'm going to showpokazać you a systemsystem that we designedzaprojektowany
189
633000
3000
Pokażę wam system, który zaprojektowaliśmy
10:54
to modelModel the retinaSiatkówka oka,
190
636000
3000
jako model siatkówki,
10:57
whichktóry is a piecekawałek of brainmózg that lineskwestia the insidewewnątrz of your eyeballgałka oczna.
191
639000
5000
która jest częścią mózgu znajdującą się wewnątrz gałki ocznej.
11:02
We didn't do this by actuallytak właściwie writingpisanie codekod, like you do in a computerkomputer.
192
644000
6000
Nie stworzyliśmy tego pisząc kod -- jak to się robi na komputerze.
11:08
In factfakt, the processingprzetwarzanie that happensdzieje się
193
650000
3000
W rzeczywistości przetwarzanie, które odbywa się
11:11
in that little piecekawałek of brainmózg is very similarpodobny
194
653000
2000
w tym małym kawałku mózgu bardzo przypomina
11:13
to the kinduprzejmy of processingprzetwarzanie that computerskomputery
195
655000
1000
przetwarzanie, które komputery
11:14
do when they streamstrumień videowideo over the InternetInternet.
196
656000
4000
wykonują na potrzeby przesyłania strumieniowego wideo przez internet.
11:18
They want to compresskompres the informationInformacja --
197
660000
1000
Muszą skompresować informacje --
11:19
they just want to sendwysłać the changeszmiany, what's newNowy in the imageobraz, and so on --
198
661000
4000
chcą przesyłać tylko zmiany, nowe elementy obrazu i tak dalej --
11:23
and that is how your eyeballgałka oczna
199
665000
3000
i w taki sposób twoje oko
11:26
is ablezdolny to squeeześciskać all that informationInformacja down to your opticoptyczny nervenerw,
200
668000
3000
może upchnąć wszystkie te informacje do nerwu wzrokowego,
11:29
to sendwysłać to the restodpoczynek of the brainmózg.
201
671000
2000
aby wysłać je dalej do mózgu.
11:31
InsteadZamiast tego of doing this in softwareoprogramowanie, or doing those kindsrodzaje of algorithmsalgorytmy,
202
673000
3000
Zamiast użyć do tego oprogramowania i stosować odpowiednie algorytmy,
11:34
we wentposzedł and talkedrozmawialiśmy to neurobiologistsNeurobiolodzy
203
676000
3000
przedyskutowaliśmy to z neurobiologami,
11:37
who have actuallytak właściwie reverserewers engineeredzaprojektowane that piecekawałek of brainmózg that's callednazywa the retinaSiatkówka oka.
204
679000
4000
którzy technicznie rozpracowali dla nas ten fragment mózgu -- siatkówki.
11:41
And they figuredwzorzysty out all the differentróżne cellskomórki,
205
683000
2000
Rozpisali wszystkie rodzaje komórek,
11:43
and they figuredwzorzysty out the networksieć, and we just tookwziął that networksieć
206
685000
3000
rozpracowali budowę sieci, a my zwyczajnie wzięliśmy tę sieć
11:46
and we used it as the blueprintPlan wytworzenia for the designprojekt of a siliconkrzem chipżeton.
207
688000
4000
i użyliśmy jej jako schematu konstrukcji układu krzemowego.
11:50
So now the neuronsneurony are representedreprezentowany by little nodeswęzły or circuitsobwody on the chipżeton,
208
692000
6000
Teraz więc odpowiednikiem neuronów są małe węzły lub obwody w tym czipie,
11:56
and the connectionsznajomości amongpośród the neuronsneurony are representedreprezentowany, actuallytak właściwie modeledwymodelowany by transistorstranzystory.
209
698000
5000
a połączenia między neuronami są odwzorowane przez tranzystory.
12:01
And these transistorstranzystory are behavingzachowuje się essentiallygłównie
210
703000
2000
I te tranzystory zachowują się w istocie
12:03
just like ionIon channelskanały behavezachować się in the brainmózg.
211
705000
3000
tak, jak kanały jonowe w mózgu.
12:06
It will give you the samepodobnie kinduprzejmy of robustkrzepki architecturearchitektura that I describedopisane.
212
708000
5000
Daje to taką samą niezawodną architekturę, jaką opisałem wcześniej.
12:11
Here is actuallytak właściwie what our artificialsztuczny eyeoko lookswygląda like.
213
713000
4000
Oto jak wygląda nasze sztuczne oko.
12:15
The retinaSiatkówka oka chipżeton that we designedzaprojektowany sitssiedzi behindza this lensobiektyw here.
214
717000
5000
Zaprojektowany przez nas czip siatkówki znajduje się za tym obiektywem.
12:20
And the chipżeton -- I'm going to showpokazać you a videowideo
215
722000
2000
I ten czip... Pokażę wam nagranie wideo
12:22
that the siliconkrzem retinaSiatkówka oka put out of its outputwydajność
216
724000
3000
z wyjścia wygenerowanego przez krzemową siatkówkę,
12:25
when it was looking at KareemKareem ZaghloulZaghlul,
217
727000
3000
patrzącej na Kareema Zaghloula,
12:28
who'skto jest the studentstudent who designedzaprojektowany this chipżeton.
218
730000
2000
studenta, który zaprojektował ten układ.
12:30
Let me explainwyjaśniać what you're going to see, OK,
219
732000
2000
Wyjaśnię co tu zobaczycie, OK?
12:32
because it's puttingwprowadzenie out differentróżne kindsrodzaje of informationInformacja,
220
734000
3000
Ponieważ generowane są tu różne rodzaje informacji,
12:35
it's not as straightforwardbezpośredni as a cameraaparat fotograficzny.
221
737000
2000
nie jest to tak czytelne i oczywiste jak w przypadku kamery.
12:37
The retinaSiatkówka oka chipżeton extractswyciągi fourcztery differentróżne kindsrodzaje of informationInformacja.
222
739000
3000
Czip siatkówki wydobywa cztery różne rodzaje informacji.
12:40
It extractswyciągi regionsregiony with darkciemny contrastkontrast,
223
742000
3000
Wydobywa obszary ciemne,
12:43
whichktóry will showpokazać up on the videowideo as redczerwony.
224
745000
3000
widoczne na wideo jako czerwone.
12:46
And it extractswyciągi regionsregiony with whitebiały or lightlekki contrastkontrast,
225
748000
4000
Wydobywa obszary białe lub jasne,
12:50
whichktóry will showpokazać up on the videowideo as greenZielony.
226
752000
2000
widoczne na wideo jako zielone.
12:52
This is Kareem'sKareem's darkciemny eyesoczy
227
754000
2000
To są ciemne oczy Kareema,
12:54
and that's the whitebiały backgroundtło that you see here.
228
756000
3000
a to jest białe tło, które widać też tutaj.
12:57
And then it alsorównież extractswyciągi movementruch.
229
759000
2000
Ponadto wydobywa ruch.
12:59
When KareemKareem movesporusza się his headgłowa to the right,
230
761000
2000
Gdy Kareem przesuwa głowę w prawo,
13:01
you will see this blueniebieski activityczynność there;
231
763000
2000
widać tam niebieską aktywność,
13:03
it representsreprezentuje regionsregiony where the contrastkontrast is increasingwzrastający in the imageobraz,
232
765000
3000
reprezentuje to obszary, gdzie kontrast obrazu wzrasta,
13:06
that's where it's going from darkciemny to lightlekki.
233
768000
3000
czyli zmieniające się z ciemnych w jasne.
13:09
And you alsorównież see this yellowżółty activityczynność,
234
771000
2000
Widzimy też tutaj żółtą aktywność,
13:11
whichktóry representsreprezentuje regionsregiony where contrastkontrast is decreasingmalejący;
235
773000
4000
reprezentującą obszary zmniejszającego się kontrastu,
13:15
it's going from lightlekki to darkciemny.
236
777000
2000
zmieniające się z jasnych w ciemne.
13:17
And these fourcztery typestypy of informationInformacja --
237
779000
3000
To właśnie te cztery rodzaje informacji --
13:20
your opticoptyczny nervenerw has about a millionmilion fiberswłókna in it,
238
782000
4000
nerw wzrokowy jest złożony z około miliona włókien,
13:24
and 900,000 of those fiberswłókna
239
786000
3000
a 900 000 z tych włókien
13:27
sendwysłać these fourcztery typestypy of informationInformacja.
240
789000
2000
przesyła te cztery rodzaje informacji.
13:29
So we are really duplicatingDuplikowanie the kinduprzejmy of signalssygnały that you have on the opticoptyczny nervenerw.
241
791000
4000
Powielamy więc rodzaje sygnałów, które mamy w nerwie wzrokowym.
13:33
What you noticeogłoszenie here is that these snapshotsmigawek
242
795000
3000
Widzicie tu, że te ujęcia migawkowe
13:36
takenwzięty from the outputwydajność of the retinaSiatkówka oka chipżeton are very sparserozrzedzony, right?
243
798000
4000
z wyjścia czipu siatkówki są bardzo słabo wypełnione.
13:40
It doesn't lightlekki up greenZielony everywherewszędzie in the backgroundtło,
244
802000
2000
Zielony nie pojawia się na całym tle,
13:42
only on the edgeskrawędzie, and then in the hairwłosy, and so on.
245
804000
3000
a jedynie na brzegach i tak dalej.
13:45
And this is the samepodobnie thing you see
246
807000
1000
To samo zauważycie
13:46
when people compresskompres videowideo to sendwysłać: they want to make it very sparserozrzedzony,
247
808000
4000
w przypadku kompresji wideo: musi być bardzo słabo wypełnione,
13:50
because that fileplik is smallermniejszy. And this is what the retinaSiatkówka oka is doing,
248
812000
3000
żeby plik był mniejszy. I tak działa siatkówka,
13:53
and it's doing it just with the circuitryzespół obwodów elektrycznych, and how this networksieć of neuronsneurony
249
815000
4000
i robi to jedynie przy użyciu obwodów i tej sieci neuronów
13:57
that are interactinginterakcja in there, whichktóry we'vemamy capturedschwytany on the chipżeton.
250
819000
3000
kontaktujących się ze sobą, którą odwzorowaliśmy w czipie.
14:00
But the pointpunkt that I want to make -- I'll showpokazać you up here.
251
822000
3000
Ale co chcę podkreślić... pokażę tutaj.
14:03
So this imageobraz here is going to look like these oneste,
252
825000
3000
Ten obraz będzie wyglądać jak tamte,
14:06
but here I'll showpokazać you that we can reconstructRekonstrukcja the imageobraz,
253
828000
2000
ale pokaże wam, że możemy zrekonstruować obraz,
14:08
so, you know, you can almostprawie recognizerozpoznać KareemKareem in that topTop partczęść there.
254
830000
5000
dzięki czemu można niemalże rozpoznać Kareema tam na górze.
14:13
And so, here you go.
255
835000
2000
Popatrzmy.
14:24
Yes, so that's the ideapomysł.
256
846000
3000
Taka właśnie jest ogólna idea.
14:27
When you standstoisko still, you just see the lightlekki and darkciemny contrastskontrasty.
257
849000
2000
Gdy nie ma ruchu, widzimy tylko jasne i ciemne obszary.
14:29
But when it's movingw ruchu back and forthnaprzód,
258
851000
2000
Ale gdy się coś porusza,
14:31
the retinaSiatkówka oka picksopcji up these changeszmiany.
259
853000
3000
siatkówka wyłapuje te zmiany.
14:34
And that's why, you know, when you're sittingposiedzenie here
260
856000
1000
I dlatego, gdy tu siedzicie
14:35
and something happensdzieje się in your backgroundtło,
261
857000
2000
i coś dzieje się w tle,
14:37
you merelyjedynie moveruszaj się your eyesoczy to it.
262
859000
2000
jedynie zwracacie oczy w tym kierunku.
14:39
There are these cellskomórki that detectwykryć changezmiana
263
861000
2000
Mamy komórki wykrywające zmianę
14:41
and you moveruszaj się your attentionUwaga to it.
264
863000
2000
i kierujemy na nią uwagę.
14:43
So those are very importantważny for catchinguchwyt somebodyktoś
265
865000
2000
To bardzo ważne, żeby zareagować,
14:45
who'skto jest tryingpróbować to sneakskradający się up on you.
266
867000
2000
gdy ktoś się do nas skrada.
14:47
Let me just endkoniec by sayingpowiedzenie that this is what happensdzieje się
267
869000
3000
Zakończę stwierdzeniem, że takie rzeczy dzieją się,
14:50
when you put AfricaAfryka in a pianofortepian, OK.
268
872000
3000
gdy włożymy Afrykę do fortepianu, OK?
14:53
This is a steelstal drumbęben here that has been modifiedzmodyfikowano,
269
875000
3000
To jest bęben stalowy, steel pan, po przeróbce.
14:56
and that's what happensdzieje się when you put AfricaAfryka in a pianofortepian.
270
878000
3000
Takie rzeczy się dzieją, gdy włożycie Afrykę do fortepianu.
14:59
And what I would like us to do is put AfricaAfryka in the computerkomputer,
271
881000
4000
A ja chciałbym, abyśmy włożyli Afrykę do komputera
15:03
and come up with a newNowy kinduprzejmy of computerkomputer
272
885000
2000
i stworzyli nowy rodzaj komputera,
15:05
that will generateGenerować thought, imaginationwyobraźnia, be creativetwórczy and things like that.
273
887000
3000
który będzie generować myśli, wyobraźnię, kreatywność itp.
15:08
Thank you.
274
890000
2000
Dziękuję.
15:10
(ApplauseAplauz)
275
892000
2000
(Oklaski)
15:12
ChrisChris AndersonAnderson: QuestionPytanie for you, KwabenaKwabena.
276
894000
2000
Chris Anderson: Kwabena, mam do ciebie pytanie.
15:14
Do you put togetherRazem in your mindumysł the work you're doing,
277
896000
4000
Czy widzisz związki między twoją pracą,
15:18
the futureprzyszłość of AfricaAfryka, this conferencekonferencja --
278
900000
3000
przyszłością Afryki, tą konferencją --
15:21
what connectionsznajomości can we make, if any, betweenpomiędzy them?
279
903000
3000
jak, i czy, moglibyśmy to ze sobą połączyć?
15:24
KwabenaKwabena BoahenBoahen: Yes, like I said at the beginningpoczątek,
280
906000
2000
Kwabena Boahen: Tak. Jak powiedziałem na początku.
15:26
I got my first computerkomputer when I was a teenagernastolatek, growingrozwój up in AccraAccra.
281
908000
4000
Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze.
15:30
And I had this gutjelito reactionreakcja that this was the wrongźle way to do it.
282
912000
4000
I miałem to wewnętrzne poczucie, że to nie tak trzeba robić.
15:34
It was very brutebydlę forcesiła; it was very ineleganttoporny.
283
916000
3000
To była zdecydowanie metoda siłowa, bardzo nieelegancki sposób.
15:37
I don't think that I would'vejuż had that reactionreakcja,
284
919000
2000
Nie sądzę, że tak bym czuł,
15:39
if I'd growndorosły up readingczytanie all this sciencenauka fictionfikcja,
285
921000
3000
gdybym dorastał czytając science fiction,
15:42
hearingprzesłuchanie about RDUSŁUG PULPITU ZDALNEGO2D2, whatevercokolwiek it was callednazywa, and just -- you know,
286
924000
4000
słysząc o RD2D2, czy jak się nazywa, i po prostu -- wiecie --
15:46
buyingkupowanie into this hypehype about computerskomputery.
287
928000
1000
kupując cały ten zachwyt komputerami.
15:47
I was comingprzyjście at it from a differentróżne perspectiveperspektywiczny,
288
929000
2000
Patrzyłem na to z innej perspektywy,
15:49
where I was bringingprzynoszący that differentróżne perspectiveperspektywiczny
289
931000
2000
podszedłem z tą inną perspektywą
15:51
to bearNiedźwiedź on the problemproblem.
290
933000
2000
do rozwiązywania tego problemu.
15:53
And I think a lot of people in AfricaAfryka have this differentróżne perspectiveperspektywiczny,
291
935000
3000
Myślę, że dużo ludzi w Afryce ma tę inną perspektywę
15:56
and I think that's going to impactwpływ technologytechnologia.
292
938000
2000
i sądzę, że to wpłynie na technikę.
15:58
And that's going to impactwpływ how it's going to evolveewoluować.
293
940000
2000
I wpłynie na drogę jej rozwoju.
16:00
And I think you're going to be ablezdolny to see, use that infusioninfuzji,
294
942000
2000
I myślę, że zobaczycie, użyjecie tego zastrzyku,
16:02
to come up with newNowy things,
295
944000
2000
aby stworzyć nowe rzeczy,
16:04
because you're comingprzyjście from a differentróżne perspectiveperspektywiczny.
296
946000
3000
ponieważ przychodzicie z innej perspektywy.
16:07
I think we can contributeprzyczynić się. We can dreamśnić like everybodywszyscy elsejeszcze.
297
949000
4000
Myślę, że możemy coś dodać, możemy marzyć jak wszyscy.
16:11
CACA: ThanksDzięki KwabenaKwabena, that was really interestingciekawy.
298
953000
2000
Chris Anderson: Dziękuję, Kwabena, to bardzo interesujące.
16:13
Thank you.
299
955000
1000
Dziękuję.
16:14
(ApplauseAplauz)
300
956000
2000
(Oklaski)
Translated by Marcin Krzaczkowski
Reviewed by Pawel Kalinowski

▲Back to top

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

Why you should listen

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

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

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

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

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