TED2003
Jeff Hawkins: How brain science will change computing
جيف هوكينز: كيف سيغير علم الدماغ الحوسبة
Filmed:
Readability: 3.2
1,674,773 views
مخترع "التريو" جيف هوكينز يحثنا على إلقاء نظرة جديدة على الدماغ -- بحيث أن لا ننظر إليه كمعالج سريع ، بل كنظام ذاكرة يقوم بتخزين و استرجاع خبرات تساعدنا على التنبؤ بذكاء بما سيحدث لاحقا.
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. Full bio
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 design mobile computers and I study brains.
0
0
3000
أقوم بعملين .أصمم أجهزة الكمبيوتر المحمولة وأدرس الأدمغة.
00:29
And today's talk is about brains and,
1
4000
2000
و محاضرة اليوم ستكون عن الأدمغة و،
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
نعم, في مكان ما هناك لدي معجب بالدماغ.
00:33
(Laughter)
3
8000
2000
(ضحك)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
إذا كان بالإمكان إظهار الشريحة الأولى هنا،
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
وسترون عنوان حديثي واثنين من انتماءاتي.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
ما أنا بصدد الحديث عنه هو السبب في أنه لا يوجد لدينا نظرية جيدة للدماغ،
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
لماذا هو من المهم علينا أن نوجد واحدة؟ و ماذا يمكننا أن نفعل حيالها؟
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
وسأحاول أن أقوم بكل ذلك في 20 دقيقة. لدي انتماءين.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
معظمكم يعرفني من أيام اخترعاتي "البالم" و "الهاندسبرنغ"
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
ولكنني أيضا أدير معهد بحوث علمية غير ربحي
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
يدعى معهد ريد وود لعلم الأعصاب في مينلو بارك،
00:59
and we study theoretical neuroscience,
12
34000
2000
و ندرس علم الأعصاب النظري ،
01:01
and we study how the neocortex works.
13
36000
2000
و ندرس كيف تعمل قشرة الدماغ الحديثة.
01:03
I'm going to talk all about that.
14
38000
2000
سأتحدث عن كل ذلك.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
لدي شريحة واحدة عن حياتي الأخرى، حياة الكمبيوتر، وهي هذه الشريحة.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
هذه بعض المنتجات التي عملت عليها على مدى السنوات العشرين الماضية ،
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
بدءا من الكمبيوتر المحمول الأصلي إلى أجهزة الكمبيوتر اللوحية الأولى
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
وهلم جرا، و انتهاء ب"التريو" في الآونة الأخيرة،
01:17
and we're continuing to do this.
19
52000
2000
و نواصل القيام بذلك.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
ولقد فعلت ذلك لأنني أؤمن حقا أن الحوسبة المتنقلة
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
هي مستقبل الحوسبة الشخصية، وأنا أحاول جعل العالم
01:24
a little bit better by working on these things.
22
59000
3000
أفضل قليلا من خلال العمل على هذه الامور.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
ولكن كل هذا ، ويجب أن أعترف، أنه كان صدفة.
01:29
I really didn't want to do any of these products
24
64000
2000
أنا لم أرد أن أصنع أي من هذه المنتجات
01:31
and very early in my career I decided
25
66000
2000
ومبكرا جدا في حياتي قررت
01:33
I was not going to be in the computer industry.
26
68000
3000
أنني لن أكون في مجال الكمبيوتر.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
وقبل أن أكلمكم عن ذلك ، أود فقط أن أقول لكم
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
تلك الصورة الجرافيتية الصغيرة التي أخذتها من الانترنت.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
كنت أبحث عن صورة جرافيتية, لتقليل النصوص,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
ووجدت موقع الكتروني مخصص للمعلمين الذين يريدون صنعها
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
تعرفون، المخطوطات التي توضع أعلى السبورة،
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
و أضافوا إليها جرافيتي, و أنا آسف لذلك.
01:52
(Laughter)
33
87000
2000
(ضحك)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
فالذي حدث هو أنني عندما كنت شابا و متخرج للتو من كلية الهندسة ،
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
من جامعة "كورنيل" عام 79' قررت أن أعمل لشركة "انتل"
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
كنت أعمل في مجال الكمبيوتر، وبعد ثلاثة أشهر
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
أحببت شيئا آخر ، وقلت: "لقد أخطأت في اختياري المهني هنا".
02:10
and I fell in love with brains.
38
105000
3000
ووقعت في حب الأدمغة.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
هذا ليس دماغا حقيقيا. هذه صورة لدماغ، وهو رسم تخطيطي.
02:16
But I don't remember exactly how it happened,
40
111000
3000
لكنني لا أتذكر بالضبط كيف حدث ذلك،
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
ولكن لدي ذكرى واحدة، قوية جدا في ذهني.
02:22
In September 1979, Scientific American came out
42
117000
3000
في أيلول/ سبتمبر 1979، صدر للمجلة "العلمية الأمريكية"
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
عدد يحمل موضوعا واحدا حول الدماغ. و كان جيدا جدا.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
لقد كانت من أفضل الأعداد التي أُصدرت. وتحدثوا عن الخلية العصبية
02:31
and development and disease and vision and all the things
45
126000
2000
و التطور و المرض و الرؤية و كل الأشياء
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
التي قد ترغب بمعرفتها عن الأدمغة. كان رائعا للغاية.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
ويمكن للمرء أن يكون لديه الانطباع بأننا حقا نعرف الكثير عن الأدمغة.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
ولكن المقال الأخير في ذلك العدد كتبه "فرانسيس كريك" المشهور باكتشاف الحمض النووي.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
أعتقد أن اليوم هو الذكرى الخمسون لاكتشاف الحمض النووي.
02:46
And he wrote a story basically saying,
50
141000
2000
و كتب، بما معناه،
02:48
well, this is all well and good, but you know what,
51
143000
3000
أنه: حسنا، هذا كله شيء جيد، ولكن أتعرفون،
02:51
we don't know diddley squat about brains
52
146000
2000
نحن فعلا لا نعرف شيئا عن الأدمغة
02:53
and no one has a clue how these things work,
53
148000
2000
و لا أحد لديه فكرة كيف تعمل هذه الأشياء،
02:55
so don't believe what anyone tells you.
54
150000
2000
لذلك لا تصدق ما يقوله أحد لك.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
هذا اقتباس من تلك المقالة: "الذي نفتقر إليه بوضوح،"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
إنه رجل بريطاني أصيل للغاية ، "الذي نفتقر إليه بوضوح
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
هو إطار واضح من الأفكار التي يمكنها تفسير هذه المناهج المختلفة ."
03:07
I thought the word framework was great.
58
162000
2000
اعتقدت أن كلمة "إطار" كانت ممتازة
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
هو لم يقل بأنه لم يكن عندنا حتى نظرية. هو يقول
03:11
we don't even know how to begin to think about it --
60
166000
2000
لا نعرف حتى كيف نبدأ بالتفكير فيها --
03:13
we don't even have a framework.
61
168000
2000
ليس لدينا حتى إطار.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
نحن في مرحلة ما قبل "النموذج الفكري/البرادايمي" إذا كنت تريد استخدام اصطلاح توماس كوهن .
03:18
And so I fell in love with this, and said look,
63
173000
3000
و أعجبت بالفكرة و قلت
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
إن لدينا كل هذا العلم عن الأدمغة. لأي حد سيكون هذا صعبا؟
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
وهذا شيء يمكن أن أعمل عليه أثناء حياتي. شعرت بأنني أستطيع أن أعمل فارقا فيه،
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
ولذا حاولت الخروج من مجال الكمبيوتر، ونحو مجال الدماغ.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
أولا، ذهبت إلى معهد التكتنولوجيا "إم آي تي"، حيث مختبر الذكاء الاصطناعي،
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
وقلت: حسنا، أنا أريد بناء آلات ذكية أيضاً,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
لكن الطريقة التي أريد القيام بذلك هو عن طريق دراسة كيفية عمل الدماغ أولا.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
قالوا: لست بحاجة إلى فعل ذلك.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
كل ما سنفعله هو أننا سنبرمج كمبيوترات، هذا كل ما يتعين علينا القيام به.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
قلت، لا، حقاً عليكم في البداية أن تدرسوا الأدمغة. قالوا، أتعرف،
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
أنت مخطئ. و أنا قلت، لا، أنتم مخطؤون. و لم يقبلوني.
03:48
(Laughter)
74
203000
1000
(ضحك)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
كنت محبطاً قليلاً -- شاب لطيف, ولكن عدت ثانيةً
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
بعد سنوات قليلة و هذه المرة في كاليفورنيا, ذهبت إلى بيركلي.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
و قلت سأدخل من الجانب البيولوجي.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
لذا دخلت في برنامج الدكتوراه في الفيزياء الحيوية. وقلت في نفسي.
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
أنا أدرس الأدمغة الآن, و قلت: حسناً, أريد أن أدرس الجانب النظري.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
و قالوا: لا, لا يمكنك دراسة الجانب النظري عن الأدمغة.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
هذا ليس شيئاً تقوم به. لن تحصل على التمويل لذلك.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
و كطالب دراسات عليا, لا يمكنك أن تقوم بذلك. لذا قلت, يا إلهي.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
كنت محبطاً جداً. و قلت:لكنني أستطيع أن أعمل فارقاً في هذا المجال،
04:15
So what I did is I went back in the computer industry
84
230000
3000
لذلك ما فعلته هو أنني عدت إلى مجال الكمبيوتر
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
و قلت: حسناً, أنا مجبر على العمل هنا لفترة, إعمل شيئاً.
04:20
That's when I designed all those computer products.
86
235000
3000
و هذا عندما صممت كل هذه المنتجات الحاسوبية.
04:23
(Laughter)
87
238000
1000
(ضحك)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
و قلت, أريد أن أقوم بهذا لمدة أربع سنوات, أجمع بعض المال,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
و كنت في ذلك الوقت أكوّن عائلة, و أنضج قليلاً,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
و ربما ينضج علم الأعصاب قليلاً.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
أخذت أكثر من أربع سنوات. أخذت 16 سنة تقريباً.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
لكنني أقوم بذلك الآن, و سأحدثكم عن ذلك.
04:39
So why should we have a good brain theory?
93
254000
3000
لماذا يجب أن يكون عندنا نظرية جيدة عن الدماغ؟
04:42
Well, there's lots of reasons people do science.
94
257000
3000
حسناً, هناك أسباب عديدة تجعل الناس يشتغلون بالعلم.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
واحد منها -- وهو الأساسي -- أن الناس يحبون أن يتعرفوا على الأشياء.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
نحن فضوليون, و نحن ببساطة نخرج و نجمع المعرفة, تعرفون؟
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
لماذا ندرس النمل؟ حسناً, إنها ممتعة.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
ربما سنتعلم شيئاً مفيدة عنها, لكنها ممتعة و ساحرة.
04:55
But sometimes, a science has some other attributes
99
270000
2000
ولكن أحياناً, للعلم سمات أخرى
04:57
which makes it really, really interesting.
100
272000
2000
ما يجعله بالفعل حقاً ممتع.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
أحياناً علم ما سيخبرنا بشيء عن أنفسنا.
05:02
it'll tell us who we are.
102
277000
1000
سيخبرنا من نحن.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
حيث نادراً ما يقول التطور فعل هذا و كوبرنيكوس فعل ذاك,
05:06
where we have a new understanding of who we are.
104
281000
2000
حيث لدينا فهم جديد لـ "من نحن".
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
و في النهاية, نحن أدمغتنا. دماغي يُخاطب دماغك.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
أجسادنا معلقة للركوب, لكن دماغي يخاطب دماغك.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
و إذا كنّا نريد أن نفهم من نحن و كيف نشعر و ندرك,
05:18
we really understand what brains are.
108
293000
2000
فعلينا أن نفهم ماهي الأدمغة.
05:20
Another thing is sometimes science
109
295000
2000
شيء آخر هو أنه أحياناً العلم
05:22
leads to really big societal benefits and technologies,
110
297000
2000
يقود إلى منافع مجتمعية و تكنولوجية كبيرة,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
أو أعمال تجارية, أو أي شيء يمكن أن ينتج منه, و هذا علمٌ أيضاً.
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
لأنه عندما نفهم كيف تعمل الأدمغة, يصبح بإمكاننا
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
أن نبني أجهزة ذكية, و أظن أن هذا شيء جيد بالمجمل,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
و سيضمن منافع عظيمة للمجتمع
05:34
just like a fundamental technology.
115
309000
2000
تماماً كتكنولوجيا أساسية.
05:36
So why don't we have a good theory of brains?
116
311000
2000
لماذا ليس لدينا نظرية جيدة للأدمغة؟
05:38
And people have been working on it for 100 years.
117
313000
3000
و الناس تعمل عليها منذ 100 عام.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
حسناً, في البداية دعونا نرى كيف يبدو العلم العادي.
05:43
This is normal science.
119
318000
2000
هذا هو العلم العادي.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
العلم العادي هو توازن بين النظرية و التجريبيين.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
واضعو النظرية يقولون: حسناً, أنا أظن أن ما يحدث هو كذا و كذا...
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
و التجريبي يقول: لا, أنت مخطئ.
05:53
And it goes back and forth, you know?
123
328000
2000
و تستمر على هذا المنوال, أتعلمون؟
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
هذا يصلح في الفيزياء. يصلح في الجيولوجيا. لكن إذا كان هذا هو العلم العادي,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
كيف يبدو علم الأعصاب؟ هكذا يبدو علم الأعصاب.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
لدينا هذا الجبل من المعلومات التي هي علم التشريح, علم وظائف الأعضاء , و السلوك.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
لا يمكنكم تخيل كم التفاصيل التي نعرفها عن الأدمغة.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
كان هناك 28,000 شخص في مؤتمر علم الأعصاب هذا العام.
06:12
and every one of them is doing research in brains.
129
347000
2000
و كل واحد منهم يقوم بأبحاث عن الأدمغة.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
معلومات كثيرة. ولكن لا يوجد نظريات. يوجد صندوق صغير خائف في الأعلى هناك
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
و الجانب النظري لم يلعب أي دور في العلوم العصبية.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
و هذا عار حقيقي. لماذا هذا الحال؟
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
إذا سألتم علماء الأعصاب لماذا هذا هو الحال؟
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
في البداية سيعترفون بذلك. ولكن إن سألتهم, سيقولون.
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
حسناً, هناك أسباب عديدة لعدم توفر نظرية جيدة للدماغ.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
البعض يقولون: حسناً, ليس لدينا المعلومات الكافية,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
يتعين علينا أن نجمع معلومات أكثر, لدينا كل هذا الأشياء التي لا نعلمها.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
حسناً, قلت لكم للتو هناك الكثير جداً من المعلومات الطافحة.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
لدينا الكثير من المعلومات, نحن لا نعرف كيف نبدأ بترتيبها.
06:45
What good is more going to do?
140
380000
2000
ماذا سنفعل أفضل من ذلك؟
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
ربما سنكون محظوظين و نكتشف شيء سحري, لكنني لا توقع ذلك.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
في الحقيقة هذا علامة على الحقيقة التي تقول بأنه ليس لدينا نظرية.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
لا نحتاج إلى معلومات جديدة -- نحن نحتاج إلى نظرية جيدة عنها.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
شيء آخر يقوله الناس :- إن الأدمغة شديدة التعقيد.
06:59
it'll take another 50 years.
145
394000
2000
ستأخذ 50 سنة أخرى.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
و أظن أن كريس قال شيئاً كهذا الأمس.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
لست متأكداً مما قلته يا كريس, لكن شيءٌ ما كـ:
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
حسناً: أنه واحد من أكثر الأشياء المعقدة في الكون. هذا غير صحيح.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
أنت أكثر تعقيداً من دماغك. لديك دماغ.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
و بالرغم من أنه يبدو معقداً جداً,
07:12
things look complicated until you understand them.
151
407000
3000
الأشياء تبدو معقدة حتى تفهمها.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
هذا هو الحال دائماً. و كل ما يمكننا قوله:
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
قشرة دماغي الحديثة, وهي الجزء الذي أهتم به من الدماغ, فيها 30 مليار خلية.
07:22
But, you know what? It's very, very regular.
154
417000
2000
لكن أتعلمون؟ إنها عادية جداً جداً.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
في الحقيقة, إنها تبدو كشيء مكرر مرة بعد مرة.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
إنها ليست معقدةً كما تبدو. هذه ليست القضية.
07:30
Some people say, brains can't understand brains.
157
425000
2000
بعض الناس يقولون: الأدمغة لا تستطيع أن تفهم الأدمغة.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
بطريقة التأملية تشبه زن .
07:35
You know,
159
430000
1000
(ضحك)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
يبدو جيداً, ولكن لماذا؟ أعني ما هي الغاية؟
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
إنها فقط تجمع خلايا. أنتم تفهمون الكبد.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
و فيه الكثير من الخلايا أيضاً, أليس هذا صحيحاً؟
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
إذاً, تعرفون, لا أظن أن هناك فرق.
07:46
And finally, some people say, well, you know,
164
441000
2000
و في النهاية البعض يقولون: حسناً,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
لا أشعر أنني تجمع لخلايا, أنا واعي .
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
أمتلك هذه الخبرة, أنا في العالم, كما تعلم.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
لا يمكن أن أكون فقط تجمع لخلايا. حسناً, أنت تعلم
07:56
people used to believe there was a life force to be living,
168
451000
3000
الناس كانت تعتقد أنه كان هناك قوة حياة للعيش.
07:59
and we now know that's really not true at all.
169
454000
2000
نحن الآن نعلم بأن هذا غير صحيح مطلقاً.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
و ليس هناك دليل يقول, غير الناس
08:04
just have disbelief that cells can do what they do.
171
459000
2000
الذين فقط لايؤمنون بأن الخلايا تستطيع أن تقوم بما تفعله.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
لذا, حتى لو سقط البعض في حفرة غيبيات الروح و الجسد,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
-بعض الأشخاص الأذكياء أيضاً- , ولكننا نستطيع أن نرفض كل ذلك.
08:12
(Laughter)
174
467000
2000
(ضحك)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
سأخبركم بشيء آخر,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
و هو حقاً أساسي, و هذا هو:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
هناك سبب آخر لعدم إمتلاكنا نظرية جيدة للدماغ,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
وهو أنه لدينا إفتراض بديهي و مسيطر
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
ولكنه غير صحيح, و قد منعنا من رؤية الإجابة.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
هناك شيء نؤمن به, إنه واضح, لكنه خطأ.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
هناك تاريخ لهذا في العلم و قبل أن أخبركم ما هو.
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
سأحدثكم قليلاً عن تاريخه في العلم
08:38
You look at some other scientific revolutions,
183
493000
2000
أنظروا إلى ثورات علمية أخرى,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
و في هذه الحالة. أتحدث عن النظام الشمسي, هذا كوبرنيكوس,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
التطور لداروين, و الصفائح التكتونية, هذا فاجنر.
08:45
They all have a lot in common with brain science.
186
500000
3000
كلهم لديهم مشترك مع علم الدماغ.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
أولاً, لديهم الكثير من البيانات غير المفهومة. الكثير منها.
08:51
But it got more manageable once they had a theory.
188
506000
3000
لكنها أصبحت قابلة للتحكم أكثر عندما إمتلكوا نظرية.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
أفضل العقول كانت متعكزة, حقاً إنهم أشخاص أذكياء.
08:57
We're not smarter now than they were then.
190
512000
2000
نحن الآن لسنا أذكى منهم.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
فقط الأمور أكثر إتضاحاً, من الصعب التفكير في الأشياء,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
ولكن بمجرد أن تفكروا بها, من السهل أن تفهموها.
09:03
My daughters understood these three theories
193
518000
2000
بناتي فهمت هذه النظريات الثلاث
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
في إطارهن الأساسي عندما كانوا في روضة الأطفال.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
و الآن هي ليست بهذه الصعوبة, ها هي التفاحة, ها هي البرتقالة,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
تعرفون, الأرض تدور, و بهذا الشكل.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
في النهاية, شيء آخر هي الإجابة و كانت دائماً موجودة.
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
لكننا تجاهلناها بسبب هذا الشيء الواضح, و ذاك هو الشيء.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
كان إيماناً بديهياً و مسيطراً و كان خاطئاً.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
في حالة النظام الشمسي, فكرة أن الأرض تسير بشكل إهليلجي
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
و سطح الأرض يدور بسرعة ألف ميل في الساعة,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
و الأرض تسير في النظام الشمسي بسرعة مليون ميل في الساعة تقريباً.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
هذا جنون. كلنا نعلم أن الأرض لا تتحرك.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
هل تشعرون بأنكم تسيرون بسرعة ألف ميل في الساعة؟
09:35
Of course not. You know, and someone who said,
205
550000
2000
طبعاً لا, تعرفون إن قال شخص ما:
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
حسناً, إنها تدور في الفضاء و هي ضخمة الحجم,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
سوف يحبسونه, و هذا ما فعلوه في السابق.
09:41
(Laughter)
208
556000
1000
(ضحك)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
إذاً كان هذا بديهي و واضح. والآن ماذا عن نظرية التطور؟
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
التطور نفس الشيء. نحن نعلم أبناءنا أن الكتاب المقدس يقول:
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
الإله خلق كل هذه الأنواع, القطط هي القطط, الكلاب هي الكلاب,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
الناس هم الناس, النباتات هي النباتات, لا يتغيرون.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
نوح وضعهم في السفينة إلخ إلخ..
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
و إذا آمنتم بالتطور, سيكون لنا جميعاً جد مشترك,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
و سيكون لنا أصل مشترك مع النبات في الرواق.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
هذا ما تخبرنا به نظرية التطور. و هذا صحيح, إنه حقاً لا يُصدق.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
و نفس الشيء في نظرية الصفائح التكتونية,
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
كل الجبال و القارات تطفو على
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
سطح الأرض, و كأنه غير معقول.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
إذاً ما هو الإفتراض البديهي, لكن غير الصحيح
10:20
that's kept us from understanding brains?
221
595000
2000
الذي منعنا من فهم الأدمغة؟
10:22
Now I'm going to tell it to you, and it's going to seem obvious that that is correct,
222
597000
2000
الآن سأخبركم, و سيبدو بوضوح أنه صحيح,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
و هذا هو الهدف, صحيح؟ ثم سأقوم بمناقشة
10:26
why you're incorrect about the other assumption.
224
601000
2000
لماذا أنتم خطأ في الإفتراض الآخر.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
الشيء البديهي و الواضح الذي هو لدرجةٍ ما ، الذكاء
10:31
is defined by behavior,
226
606000
2000
يُعرف بالسلوك
10:33
that we are intelligent because of the way that we do things
227
608000
2000
وهو أننا أذكياء بسبب الطريقة التي نفعل بها الأشياء
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
و أسلوب التصرف بذكاء, و سأقول لكم أن هذا خطأ.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
ما يُعرف بالذكاء هو في الحقيقة التنبؤ.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
سأفصل لكم هذا في الشرائح القليلة هنا
10:43
give you an example of what this means. Here's a system.
231
618000
4000
و أعطيكم مثالاً عن ما يعنيه هذا. هذا نظام.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
المهندسون يحبون أن ينظروا إلى أنظمة كهذه. العلماء يحبون أن ينظروا إلى أنظمة كهذه.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
يقولون: لدينا شيء في صندوق, و لدينا مدخلاته و مخرجاته.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
متخصصو الذكاء الإصطناعي قالوا: الشيء الذي في الصندوق هو كمبيوتر قابل للبرمجة
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
لأن هذا مكافئ للدماغ, و سنعطيه بعض المدخلات
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
و سنجعله يفعل شيئاً, أن يقوم بسلوك ما.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
و آلان تورينغ وضع "إختبار تورينغ" الذي يقول:
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
سنعرف إن شيء ما ذكي إذا كان يتصرف كالبشر
11:06
A behavioral metric of what intelligence is,
239
641000
3000
و هو معيار سلوكي لمعرفة الذكاء
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
و قد علق في أذهاننا لفترة طويلة.
11:12
Reality though, I call it real intelligence.
241
647000
2000
لكن ما يوجد في الواقع أسميه الذكاء الحقيقي
11:14
Real intelligence is built on something else.
242
649000
2000
الذكاء الحقيقي مبني على شيء آخر.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
نحن نختبر المحيط من خلال مجموعة من الأنماط, ثم نخزنها,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
و نسترجعها. و عندما نسترجعها نقارن بينها و بين الواقع
11:23
against reality, and we're making predictions all the time.
245
658000
4000
نحن نقوم بالتنبؤ طول الوقت.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
هذا معيار أبدي. هناك معيار أبدي عنّا كأن نقول:
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
هل نحن نفهم العالم؟ هل نقوم بتنبؤات؟ و غيرها.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
أنتم أذكياء الآن, لكنكم لا تفعلون شيئاً.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
ربما أنت تحك جلدك أو تلتقط أنفك.
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
لا أعلم, أنتم تفعلون أي شيء الآن
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
و لكنكم أذكياء, أنتم تفهمون ما أقوله.
11:42
Because you're intelligent and you speak English,
252
677000
2000
و بما أنكم أذكياء و تتحدثون الإنجليزية,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
تعرفون ما هي الكلمة التي في نهاية هذه .. (صمت)
11:45
sentence.
254
680000
2000
الجملة.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
الكلمة خطرت ببالكم, و أنتم تقومون بهذه التنبؤات طول الوقت.
11:50
And then, what I'm saying is,
256
685000
2000
ما أقوله,هو
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
أن التنبؤ الأبدي هو من المخرجات في قشرة الدماغ الحديثة
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
و هذا التنبؤ يقود إلى سلوك ذكي.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
لنرى كيف يحدث هذا. لنبدأ بدماغ غير ذكي.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
سنناقش دماغ غير ذكي, لدينا دماغ قديم "لم يتطور"،
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
و لنقل أنه من غير الثديات مثل الزواحف
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
مثلاً لنقل تمساح, لدينا تمساح
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
و للتمساح حواس معقدة جداً.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
لديه حواس نظر و سمع و لمس جيدة
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
لديها فم و أنف. لديها سلوك معقد جداً.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
تستطيع الجري و الإختباء. لديها مخاوف و مشاعر. تستطيع أكلكم.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
تستطيع الهجوم. تستطيع أن تقوم بكل الأشياء.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
لكننا لا نعتبر التمساح ذكي جداً، ليس كـالإنسان.
12:32
But it has all this complex behavior already.
269
727000
2000
ولكن لديه كل هذه التصرفات المعقدة.
12:34
Now, in evolution, what happened?
270
729000
2000
والآن, في التطور, ماذا حدث؟
12:36
First thing that happened in evolution with mammals,
271
731000
3000
أول شيء حدث في تطور الثديات,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
بدأنا أولاً بتطوير شيء اسمه القشرة الدماغية الحديثة
12:41
And I'm going to represent the neocortex here,
273
736000
2000
و سأستعرض القشرة الدماغية الحديثة هنا,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
من خلال هذا الصندوق الملتصق في أعلى الدماغ القديم.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
القشرة الدماغية الحديثة "نيوكورتكس" تعني الطبقة الجديدة. إنها طبقة جديدة في أعلى أدمغتكم.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
إنه الشيء المتجعد في أعلى الرأس
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
أصبح متجعداً لأنه دُفع به إلى الداخل و لم يتسع.
12:54
(Laughter)
278
749000
1000
(ضحك)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
لا, حقيقةً إنه كذلك. إنها مثل مسألة مقاس منديل المائدة.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
لم يتسع لذلك أصبح متجعداً. أنظروا كيف رسمت هذا هنا.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
الدماغ القديم مازال موجوداً. لازلتم تملكون دماغ ذاك التمساح.
13:04
You do. It's your emotional brain.
282
759000
2000
إنه دماغكم العاطفي.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
كل هذه الأشياء و كل ردود الأفعال المعوية التي لديكم.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
و على رأسها, لدينا نظام الذاكرة الذي اسمه القشرة الدماغية الحديثة.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
و نظام الذاكرة يعلو جزء الحواس في الدماغ.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
فعندما تدخل مدخلات الحواس و تدخل إلى الدماغ القديم,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
هي أيضاً تصعد إلى قشرة الدماغ الحديثة. و قشرة الدماغ الحديثة فقط تخزن.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
إنها تجلس هنا و تقول: سوف أخزن كل ما يحدث,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
أين كنت, الأشخاص الذين رأيتهم, الأشياء التي سمعتها, و غير ذلك.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
و في المستقبل, عندما ترى شيئاً مشابهاً لذلك مرة أخرى,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
في بيئة مشابه, أو نفس البيئة تماماً,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
ستستعرضه مرة أخرى. ستبدأ باستعراضه مرة أخرى.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
أوه لقد كنت هنا في السابق. و عندما تكون هنا من قبل,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
هذا ما يحدث لاحقاً. إنها تسمح لك بتنبؤ المستقبل.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
إنها تعيد الإشارات إلى الدماغ كتغذية إرتجاعية
13:47
they'll let you see what's going to happen next,
296
802000
2000
و التي تمكنكم من رؤية ما سيحدث بعد ذلك,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
و تمكنكم من سماع الكلمة "جملة" قبل أن أقولها.
13:52
And it's this feeding back into the old brain
298
807000
3000
و هذه التغذية الراجعة إلى الدماغ القديم
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
هي التي تسمح لكم باتخاذ قرارات أذكى بكثير.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
هذه هي أهم شريحة في حديثي, لذلك سوف أسهب بها قليلاً.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
لذلك, كل مرة تقولون: أنا أستطيع أن أتوقع الأشياء.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
لو كنتم فأرة و دخلتم في متاهة, ثم تعلمتم هذه المتاهه,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
في المرة القادمة, إذا كنتم في متاهة, ستتصرفون بنفس السلوك,
14:10
but all of a sudden, you're smarter
304
825000
2000
ولكن و بشكل مفاجئ ستصبحون أذكى.
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
لأنكم ستقولون: نعم, أنا أتذكر هذه المتاهة, أنا أعلم في أي طريق سأسير,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
كنت هنا في السابق, أستطيع أن أتصور المستقبل. و هذا ما تفعله.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
بالمناسبة. هذا صحيح لكل الثديات,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
هذا صحيح لكل الثديات الأخرى, أما عند البشر فيسوء الوضع.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
عند البشر, نحن طورنا! الجزء الأمامي من قشرة الدماغ الحديثة
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
و يسمى بالجزء الأمامي من قشرة الدماغ الحديثة. و الطبيعة قامت بخدعة صغيرة
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
نسخت الجزء الخلفي الذي هو الحسي
14:32
and put it in the front part.
312
847000
2000
و وضعته في الجزء الأمامي
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
و وحدهم البشر لديهم التقنيات ذاتها في الأمام,
14:36
but we use it for motor control.
314
851000
2000
لكننا نستخدمه للتحكم في الحركة
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
لذلك فنحن قادرون أن نقوم بتخطيط المعقد جداً للحركة, و أشياء من هذا القبيل.
14:41
I don't have time to get into all this, but if you want to understand how a brain works,
316
856000
3000
ليس لدي الوقت للدخول في كل هذا, ولكن إن أردتم أن تفهموا كيف يعمل الدماغ,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
فعليكم أن تفهموا كيف يعمل الجزء الأول من قشرة الدماغ الحديثة في الثديات,
14:47
how it is we store patterns and make predictions.
318
862000
2000
كيف نخزن الأنماط و كيف نقوم بتنبؤات.
14:49
So let me give you a few examples of predictions.
319
864000
3000
سأعطيكم بعض الأمثلة على تنبؤات.
14:52
I already said the word "sentence." In music,
320
867000
2000
قلت في السابق الكلمة "جملة". في الموسيقى,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
إذا إستمعتم سابقاً إلى أغنية, لو استمعت في السابق إلى "جِل" و هي تغني هذه الأغنيات,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
عندما تغنيها, فإن النوتة اللاحقة ستكون قد قفزت في ذهنك--
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
و تتوقعها دائماً. لو إستمعتم إلى ألبوم موسيقي,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
عند نهاية مقطع من الألبوم, تقفز الأغنية اللاحقة في ذهنك.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
و هذه الأشياء تحدث طيلة الوقت. دائماً تقومون بهذه التنبؤات.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
عندي هذا الشيء المسمى باختبار تفكير الباب المُغيَر.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
و اختبار تفكير الباب المُغيَر ينص على أن لديك باب في بيت
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
و عندما تكون هنا أغيره, لدي شخص
15:16
back at your house right now, moving the door around,
329
891000
2000
في بيتك الآن,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
و سيقوم بتغير مكان مقبض الباب مسافة بوصتين تقريباً.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
و عندما تعود إلى البيت ليلاً, ستضع يدك هناك,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
و ستتناول مقبض الباب و ستلاحظ أنها
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
في المكان الخطأ, و ستفكر بأن شيئاً ما حدث.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
قد يأخذ منك معرفة ماحدث مدة ثانية فقط , و لكن هناك شيء ما حدث.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
الآن أستطيع أن أغير مقبض بابك بطرق أخرى.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
يمكن أن أجعلها أكبر أو أصغر, يمكن أن أغير نحاسياتها إلى اللون الفضي,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
يمكن أن أغير بابك, مثلاً يمكن أن ألونه,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
يمكن أن أضع فيه نوافذ. يمكن أن أغير ألف شيء في بابك
15:38
and in the two seconds you take to open your door,
339
913000
2000
و في الثانيتين اللتين تأخذهما لفتح بابك,
15:40
you're going to notice that something has changed.
340
915000
3000
ستلاحظ أن شيئاً ما قد تغير.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
الآن المنهج الهندسي لهذا, المنهج في الذكاء الإصطناعي لهذا
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
هو أن تبني قاعدة بيانات للباب تحوي كل سمات الباب.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
و عندما تصعد إلى الباب, تتفحص السمات واحدة واحدة.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
باب, باب, باب, لون, تعلمون ما أقول.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
نحن لا نقوم بذلك. دماغكم لا يقوم بذلك.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
ما يفعله دماغكم هو أن يقوم بتنبؤات مستمرة و دائمة
15:57
about what is going to happen in your environment.
347
932000
2000
عن ما سيحدث في محيطك.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
و أنا أضع يدي على هذه الطاولة, أتوقع أن أشعر بأنها تتوقف.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
عندما أسير, كل خطوة, إذا فوتُ منها ثُمن البوصة,
16:05
I'll know something has changed.
350
940000
2000
سأعرف أن شيئاً ما تغير.
16:07
You're constantly making predictions about your environment.
351
942000
2000
أنتم تصدرون تنبؤات عن محيطكم بصورة مستمرة.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
سأتحدث باختصار عن الرؤية. هذه صورة امرأة.
16:12
And when you look at people, your eyes are caught
353
947000
2000
و عندما تنظر إلى الناس, فإن عيناك يتم النظر إليهما
16:14
over at two to three times a second.
354
949000
1000
مرتين إلى ثلاثة مرات في الثانية.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
أنتم لا تلاحظون هذا, لكن عيونكم دائماً تتحرك.
16:17
And so when you look at someone's face,
356
952000
2000
لذا عندما تنظرون إلى وجه أحدٍ ما.
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
أنتم عادةً تذهبون من العين إلى العين إلى الأنف إلى الفم.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
و عندما تنتقلون من عين إلى عين,
16:23
if there was something else there like, a nose,
359
958000
2000
إذا كان هناك شيء آخر مثل أنف,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
سترى أنف حيث يُفترض أن تكون عين,
16:27
and you'd go, oh shit, you know --
361
962000
3000
ستتفاجؤون...
16:30
(Laughter)
362
965000
1000
(ضحك)
16:31
There's something wrong about this person.
363
966000
2000
ستقولون هناك شيء خطأ في هذا الشخص.
16:33
And that's because you're making a prediction.
364
968000
2000
و هذا لأنكم تضعون توقعاً.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
المسألة ليست في أن تنظر هناك ثم تسأل نفسك: ماذا أرى الآن؟
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
أنف حسناً. كلا, أنت لديك توقع لما ستراه.
16:40
(Laughter)
367
975000
1000
(ضحك)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
في كل لحظة. و أخيراً دعونا نفكر في كيفية قياس الذكاء.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
نحن نقيسه بالتوقع. ما هي الكلمة اللاحقة في هذه..., أنتم تعرفون؟
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
هذا بالنسبة لهذا كما هذا بالنسبة لهذا. ما هو الرقم اللاحق لهذه الجملة؟
16:51
Here's three visions of an object.
371
986000
2000
هذه ثلاثة رؤى لشيء ما
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
ما هي الرؤية الرابعة؟ هكذا نقيسه. كله عن التوقع.
16:57
So what is the recipe for brain theory?
373
992000
3000
إذاً ما هي طريقة عمل نظرية الدماغ؟
17:00
First of all, we have to have the right framework.
374
995000
3000
أولاً علينا أن نملك الإطار الصحيح.
17:03
And the framework is a memory framework,
375
998000
2000
و الإطار هو إطار يقوم على الذاكرة,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
ليس إطاراً يقوم على الحساب أو السلوك. إنه إطار يقوم على الذاكرة.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
كيف تخزن و تسترجع هذه التسلسلات أو الأنماط. إنها أنماط مكانية زمانية.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
ثم لو أخذنا مجموعة من المنظرين ضمن هذا الإطار.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
الآن علماء الأحياء بشكل عام ليسوا منظرين جيدين.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
هذا ليس دائماً, لكن بشكل عام, ليس هناك تاريخ جيد للجانب النظري في علم الأحياء.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
لذا فقد وجدت بأن أفضل الأشخاص للعمل معهم هم علماء الفيزياء,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
والمهندسون و علماء الرياضيات, الذين يتجهون نحو التفكير بطريقة حسابية.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
ثم عليهم تعلم علم التشريح و عليهم تعلم علم وظائف الأعضاء.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
عليكم جعل هذه النظريات واقعية بمصطلحات تشريحية.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
أي شخص يقوم و يقول لكم نظريته عن كيفية عمل الدماغ
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
و لا يقول لكم بالتحديد كيف تعمل في الدماغ
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
و كيف يعمل الربط في الدماغ, هذه ليست نظرية.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
و هذا ما نقوم به في معهد ريد وود لعلم الأعصاب.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
أتمنى لو أن لدي وقتاً أكثر لأخبركم بأننا نحرز تقدم مذهل في هذا الشيء.
17:48
and I expect to be back up on this stage,
390
1043000
2000
و أتوقع أن أعود مرة أخرى إلى هذه منصة,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
ربما في وقت قادم في المستقبل القريب و أخبركم عنه.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
أنا حقيقة متحمس. هذا لن يأخذ 50 عاماً أبداً.
17:55
So what will brain theory look like?
393
1050000
2000
إذاً كيف ستبدو نظرية الدماغ؟
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
أولاً, هي ستكون نظرية عن الذاكرة.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
ليست كذاكرة الكمبيوتر. ليست أبداً كذاكرة الكمبيوتر.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
إنها مختلفة جداً, هي ذاكرة لهذه الأنماط
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
الكثيرة الأبعاد, مثل الأشياء التي تدخل من أعينكم.
18:07
It's also memory of sequences.
398
1062000
2000
أنها أيضاً ذاكرة تسلسلات.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
لا يمكنكم تعلم أو استرجاع أي شيء خارج تسلسل.
18:11
A song must be heard in sequence over time,
400
1066000
3000
لابد من الإستماع إلى أغنية بتسلسل عبر الزمن,
18:14
and you must play it back in sequence over time.
401
1069000
3000
و عليك إستعراضها بتسلسل عبر الزمن.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
و هذه التسلسلات تُسترجَع بترابط ذاتياً, لذلك إذا رأيت شيئاً,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
فإنني أسمع شيئاً, و تذكرني به, ثم يُستعرَض تلقائياً.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
إنه استعراض تلقائي. و توقع المدخلات المستقبلية هو المُخرَج المطلوب.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
و كما قلت, النظرية يجب أن تكون دقيقة بيولوجياً,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
يجب أن تكون قابلة للاختبار و يجب أن تكون قابلة للبناء.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
إذا لم تستطيع أن تبنيها, فأنت لا تفهمها. إذاً بقي لدينا شريحة واحدة
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
ماذا سينتج عن هذا؟ هل حقاً سنبني أجهزة ذكية؟
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
بالتأكيد, و تكون مختلفة عن ما يظنه الناس.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
لا ريب في أن هذا سيحدث, في رأيي
18:47
First of all, it's going to be built up, we're going to build the stuff out of silicon.
411
1102000
4000
أولاً, ستُنشأ, سنبني الأشياء من السيلكون.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
بنفس الطرق التي نستخدمها لبناء ذاكرة الكمبيوتر السيليكونية
18:54
we can use for here.
413
1109000
1000
سنستخدمها هنا.
18:55
But they're very different types of memories.
414
1110000
2000
لكنها ذاكرة من نوع آخر مختلف جداً.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
و سنقوم بربط هذه الذاكرة بأجهزة استشعار,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
و أجهزة الاستشعار ستختبر بيانات واقعية حية ,
19:02
and these things are going to learn about their environment.
417
1117000
2000
و هذه الأشياء ستقوم باكتشاف محيطها.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
الآن من المستبعد أن تكون الأشياء الأولى تشبه الروبوتات.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
ليس لأن الروبوتات غير مفيدة و أن الناس يستطيعون بناء الروبوتات.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
و لكن لأن الروبوتات هي الجزء الأصعب. إنها تمثل الدماغ القديم. وذلك صعب للغاية.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
الدماغ الحديث أسهل من الدماغ القديم.
19:16
So the first thing we're going to do are the things that don't require a lot of robotics.
422
1131000
3000
لذلك فإن الأشياء الأولى التي سنقوم بها هي الأشياء التي لا تتطلب الكثير من أعمال الروبوتات.
19:19
So you're not going to see C-3PO.
423
1134000
2000
لذلك فإنكم سترون C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
سترون أشياء مثل السيارات الذكية
19:23
that really understand what traffic is and what driving is
425
1138000
3000
التي تفهم ما هي حركة السير و ما هي القيادة
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
و تعلمت بأن أنواع محددة من السيارات التي عليها أضواء وامضة تعمل لمدة نصف دقيقة
19:29
probably aren't going to turn, things like that.
427
1144000
2000
غالباً لن تلتف, أشياء مثل هذه.
19:31
(Laughter)
428
1146000
1000
(ضحك)
19:32
We can also do intelligent security systems.
429
1147000
2000
نستطيع أن نقوم بعمل أنظمة أمنية ذكية.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
في أي مكان حيث نستخدم فيه دماغنا دون القيام بالكثير من الحركة.
19:38
Those are the things that are going to happen first.
431
1153000
2000
تلك هي الأشياء التي سنقوم بها أولاً.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
ولكن في النهاية, العالم هو المحدد هنا.
19:42
I don't know how this is going to turn out.
433
1157000
2000
لا أدري كيف سيصبح هذا الأمر.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
أعرف الكثير من الأشخاص الذين اخترعوا المعالج الدقيق
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
و لو تحدثتم إليهم, هم علموا بأن ما يفعلونه هو شيء مهم,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
لكنهم لا يعرفون ماذا سيحدث بالتحديد.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
ليس بامكانهم توقع الهواتف الخلوية و الإنترنت و كل هذه الأشياء.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
هم فقط عرفوا أمور مثل أنهم سيبنون آلات حاسبة
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
و وحدات تحكم إشارات المرور الضوئية و لكنها ستكون كبيرة.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
بنفس الطريقة, هذا مثل علم الدماغ و هذه الذاكرة
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
ستكون تقنية أساسية, و ستقود إلى
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
تغيرات غير معقولة في 100 سنة القادمة.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
و أنا متحمس جداً لكيفية استخدامها في العلوم.
20:16
So I think that's all my time, I'm over it, and I'm going to end my talk
444
1191000
3000
أظن أن هذا نهاية وقتي, و تعديته, و سأنهي حديثي
20:19
right there.
445
1194000
1000
هنا.
ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcherJeff 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.
Jeff Hawkins | Speaker | TED.com