TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Куабена Боахен за компютър, който работи като мозъка
Filmed:
Readability: 4.2
718,375 views
Изследователят Куабена Боахен търси начини за имитиране на суперкомпютърната сила на мозъка със силиций -- защото разхвърляните, повторяеми процеси в главите ни всъщност наподобяват малък, лек, супербърз компютър.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Получих първият си компютър, когато бях тийнейджър, докато израствах в Акра,
00:23
and it was a really cool device.
1
5000
3000
и той беше наистина страхотно устройство.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Можеше да играете игри на него, можеше да го програмирате на BASIC.
00:31
And I was fascinated.
3
13000
2000
И аз бях очарован.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Така че отидох в библиотеката за да разбера как работи това нещо.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Прочетох за това как процесорът постоянно размесва данни напред-назад,
00:44
between the memory, the RAM and the ALU,
6
26000
4000
между паметта, RAM и АЛУ,
00:48
the arithmetic and logic unit.
7
30000
2000
аритметическото и логическо устройство.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
И аз си помислих, че този процесор наистина трябва да работи като луд,
00:54
just to keep all this data moving through the system.
9
36000
4000
само за да поддържа всички тези данни в движение през системата.
00:58
But nobody was really worried about this.
10
40000
3000
Но никой не беше много притеснен за това.
01:01
When computers were first introduced,
11
43000
2000
Когато компютрите бяха представени за първи път,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
се смяташе, че са един милион пъти по-бързи от невроните.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
Хората бяха много радостни, те смятаха, че скоро ще надминат
01:11
the capacity of the brain.
14
53000
3000
капацитета на мозъка.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Това е цитат, всъщност, от Алън Тюринг:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"След 30 години, ще бъде толкова лесно да зададете въпрос на компютър,
01:21
as to ask a person."
17
63000
2000
колкото да попитате човек."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Това беше през 1946 година. И сега, през 2007 г., това все още не е вярно.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Въпросът е, защо наистина не виждаме
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
тази мощност в компютрите, която виждаме в мозъка?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Това, което хората не осъзнават, и аз просто започвам да осъзнавам това в момента
01:42
is that we pay a huge price for the speed
22
84000
2000
е, че плащаме огромна цена за скоростта,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
която твърдим, че е голямо предимство на тези компютри.
01:48
Let's take a look at some numbers.
24
90000
2000
Нека да разгледаме няколко числа.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Това е Blue Gene, най-бързият компютър в света.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Има 120 000 процесора, които могат да обработват, в основни линии,
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 квадрилиона бита информация в секунда.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Това е 10 на 16-та. И те консумират един и половина мегавата мощност.
02:09
So that would be really great, if you could add that
29
111000
3000
Така че ще бъде наистина чудесно, ако можете да добавите това
02:12
to the production capacity in Tanzania.
30
114000
2000
към производствения капацитет на Танзания.
02:14
It would really boost the economy.
31
116000
2000
Наистина ще стимулира икономиката.
02:16
Just to go back to the States,
32
118000
4000
Ако се върнем към Щатите,
02:20
if you translate the amount of power or electricity
33
122000
2000
ако съпоставите количеството мощност и електроенергия,
02:22
this computer uses to the amount of households in the States,
34
124000
3000
които този компютър използва, към броя на домакинствата в САЩ,
02:25
you get 1,200 households in the U.S.
35
127000
4000
ще получите 1200 домакинства в САЩ,
02:29
That's how much power this computer uses.
36
131000
2000
толкова много енергия използва този компютър.
02:31
Now, let's compare this with the brain.
37
133000
3000
Сега, нека да сравним това с мозъка.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Това е снимка, всъщност от мозъка на приятелката на Рори Сейърс.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Рори е аспирант в Станфорд.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Той изследва мозъка с МРТ и твърди, че
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
това е най-красивият мозък, който някога е сканирал.
02:48
(Laughter)
42
150000
2000
(Смях)
02:50
So that's true love, right there.
43
152000
3000
Така че това е истинска любов, точно там.
02:53
Now, how much computation does the brain do?
44
155000
3000
Колко изчисления прави мозъка?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Смятам, че около 10 на 16-та бита за секунда,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
което всъщност е много подобно на това, което прави Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
Така че това е въпросът. Въпросът е, колко --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
те извършват подобно количество изчисления, подобен обем на данни --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
въпросът е колко енергия и електричество използва мозъка?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
И това е всъщност толкова, колкото вашия лаптоп компютър:
03:15
it's just 10 watts.
51
177000
2000
това са само 10 вата.
03:17
So what we are doing right now with computers
52
179000
3000
Така че това, което правим в момента с компютри,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
с енергията, консумирана от 1200 къщи,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
мозъкът прави с енергията, консумирана от вашия лаптоп.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Така че въпросът е, как мозъкът може да постигне тази ефективност?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
И нека само да обобщя. Въпросът е:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
мозъкът обработва информация, използвайки 100 000 пъти по-малко енергия,
03:37
than we do right now with this computer technology that we have.
58
199000
4000
отколкото ние правим сега с тази компютърна технология, която имаме.
03:41
How is the brain able to do this?
59
203000
2000
Как мозъкът успява да направи това?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Нека просто да погледнем как работи мозъкът,
03:46
and then I'll compare that with how computers work.
61
208000
4000
и после аз ще го сравня с това как работят компютрите.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Този клип е от PBS сериала "Тайният живот на мозъка."
03:54
It shows you these cells that process information.
63
216000
3000
Показва ви тези клетки, които обработват информация.
03:57
They are called neurons.
64
219000
1000
Наричат се неврони.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Те изпращат малки импулси от електроенергия по техните процеси един на друг,
04:04
and where they contact each other, those little pulses
66
226000
2000
и когато се свързват помежду си, тези малки импулси
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
от електроенергия могат да скочат от един неврон на друг.
04:08
That process is called a synapse.
68
230000
3000
Този процес се нарича синапс.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Имате тази огромна мрежа от клетки, които общуват една с друга,
04:13
about 100 million of them,
70
235000
2000
около 100 милиона от тях,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
изпращащи около 10 квадрилиона от тези импулси на всяка секунда.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
И това в основни линии е, което се случва в мозъка ви точно сега, докато гледате това.
04:25
How does that compare with the way computers work?
73
247000
2000
Как се сравнява това с начина, по който работят компютрите?
04:27
In the computer, you have all the data
74
249000
2000
В компютъра имате всички данни,
04:29
going through the central processing unit,
75
251000
2000
които преминават през централния процесор,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
и в основни линии, всяка частица от данни трябва да премине през това стеснение.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Докато в мозъка, това което имате са тези неврони
04:38
and the data just really flows through a network of connections
78
260000
4000
и данните просто наистина текат през мрежа от връзки
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
между невроните, тук няма пречка.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Това е наистина една мрежа, в буквалния смисъл на думата.
04:48
The net is doing the work in the brain.
81
270000
4000
Мрежата върши работата в мозъка.
04:52
If you just look at these two pictures,
82
274000
2000
Ако просто погледнете тези две снимки,
04:54
these kind of words pop into your mind.
83
276000
2000
тези думи се появяват в съзнанието ви.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Това е последователно и е устойчиво: Това е като коли на магистралата --
05:00
everything has to happen in lockstep --
85
282000
3000
всичко трябва да се случи последователно.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Докато това е паралелно и е флуидно.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Обработката на информацията е много динамична и адаптивна.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Аз не съм първият, който е разбрал това. Това е цитат от Брайън Ено:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"Проблемът с компютрите е, че няма достатъчно от Африка в тях."
05:16
(Laughter)
90
298000
6000
(Смях)
05:22
Brian actually said this in 1995.
91
304000
3000
Брайън всъщност каза това през 1995 година.
05:25
And nobody was listening then,
92
307000
3000
Тогава никой не слушаше,
05:28
but now people are beginning to listen
93
310000
2000
но сега хората започват да слушат,
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
защото има належащ технологичен проблем, пред който сме изправени.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
И аз просто ще ви преведа през това през следващите няколко слайда.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Това е -- това е всъщност наистина това забележително събиране
05:44
between the devices that we use to compute in computers,
97
326000
5000
между устройствата, които ние използваме за да изчисляваме в компютрите,
05:49
and the devices that our brains use to compute.
98
331000
4000
и устройствата, които използват нашите мозъци за да изчисляват.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Устройствата, които използват компютрите се наричат транзистори.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Този електрод тук, наречен гейт, контролира потока на ток
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
от сорс към дрейн, тези два електрода.
06:04
And that current, electrical current,
102
346000
2000
И този ток, електрически ток,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
се пренася от електроните, също както в дома ви, и така нататък.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
И това, което имате тук е, когато всъщност отворите гейта,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
получавате увеличение в количеството на ток и получавате постоянен поток на ток.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
И когато затворите гейта, няма ток течащ през устройството.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Вашият компютър използва това наличие на ток за да представи единица,
06:30
and the absence of current to represent a zero.
108
372000
4000
и липсата на ток за да представи нула.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Сега, това което се случва е, че когато транзисторите стават все по-малки, и по-малки, и по-малки,
06:40
they no longer behave like this.
110
382000
2000
те вече не се държат по този начин.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
В действителност, те започват да се държат като устройството, което невроните използват за изчисляване,
06:47
which is called an ion channel.
112
389000
2000
което се нарича йонен канал.
06:49
And this is a little protein molecule.
113
391000
2000
И това е малка молекула белтък.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Искам да кажа, невроните имат хиляди от тях.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
И тя седи в мембраната на клетката, и има пора в нея.
06:59
And these are individual potassium ions
116
401000
3000
А това са индивидуални йони калий,
07:02
that are flowing through that pore.
117
404000
2000
които се вливат към тази пора.
07:04
Now, this pore can open and close.
118
406000
2000
Сега, тази пора може да се отваря и затваря.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Но, когато е отворена, понеже тези йони трябва да се подредят
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
и да преминат един по един, вие получавате спорадичен, а не постоянен --
07:16
it's a sporadic flow of current.
121
418000
3000
това е спорадичен поток на ток.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
И дори когато затворите порите -- което невроните могат да направят,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
те могат да се отварят и затварят тези пори, за да генерират електрическа активност --
07:27
even when it's closed, because these ions are so small,
124
429000
3000
дори когато е затворена, тъй като тези йони са толкова малки,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
те могат всъщност да се промъкнат, няколко могат да се промъкнат.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Така че това, което имаме е, че когато пората е отворена,
07:36
you get some current sometimes.
127
438000
2000
понякога имаме ток.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Това са вашите единици, но има и няколко подхвърлени нули.
07:41
And when it's closed, you have a zero,
129
443000
4000
И когато е затворена, имате нула,
07:45
but you have a few ones thrown in.
130
447000
3000
но имате и няколко подхвърлени единици, нали.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Сега, това започва да се случва в транзисторите.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
И причината защо това се случва е, че точно сега през 2007 г.,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
технологията, която използваме, един транзистор е достатъчно голям,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
че няколко електрона могат да преминават през канала едновременно, едни до други.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
В действителност, около 12 електрони могат да бъдат прекарани по този начин.
08:09
And that means that a transistor corresponds
136
471000
2000
А това означава, че един транзистор съответства
08:11
to about 12 ion channels in parallel.
137
473000
3000
на около 12 паралелни йонни канала.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
До няколко години, до 2015 г., ние ще намалим транзисторите толкова много.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Това е, което Intel прави, за да добавя още ядра върху чипа,
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
така че картата с памет, която имате сега, може да съдържа един гигабайт
08:27
of stuff on them -- before, it was 256.
141
489000
2000
неща на нея - преди беше 256.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Транзистори стават все по-малки, за да позволят това да се случи,
08:32
and technology has really benefitted from that.
143
494000
3000
и технологията наистина се възползва от това.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Но това, което се случва е, че през 2015 г., транзисторът ще стане толкова малък,
08:40
that it corresponds to only one electron at a time
145
502000
3000
че ще съответства само на един електрон в даден момент,
08:43
can flow through that channel,
146
505000
2000
който може да преминава през този канал,
08:45
and that corresponds to a single ion channel.
147
507000
2000
и това съответства на един йонен канал.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
И ще започнете да имате същия вид задръствания, които имате в йонните канали,
08:51
The current will turn on and off at random,
149
513000
3000
токът ще се включва и изключва на случаен принцип,
08:54
even when it's supposed to be on.
150
516000
2000
дори когато трябва да бъде включен.
08:56
And that means your computer is going to get
151
518000
2000
А това означава, че компютърът ви ще получи
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
неговите единици и нули разбъркани, и ще забие вашата машина.
09:02
So, we are at the stage where we
153
524000
4000
Така че, ние сме на етап, когато
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
не знаем как да изчисляваме с този вид устройства.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
И единственото нещо, което знаем в момента,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
което може да изчислява с тези устройства е мозъка.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Добре, компютърът взема специфичен елемент от данни от паметта,
09:19
it sends it into the processor or the ALU,
158
541000
3000
изпраща го към процесора, или АЛУ,
09:22
and then it puts the result back into memory.
159
544000
2000
и след това поставя резултата обратно в паметта.
09:24
That's the red path that's highlighted.
160
546000
2000
Това е червения път, който е маркиран.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
Начинът, по който мозъка работи е, че имате всички тези неврони.
09:30
And the way they represent information is
162
552000
2000
И начина, по който те представят информацията е,
09:32
they break up that data into little pieces
163
554000
2000
че разбиват данните на малки частици,
09:34
that are represented by pulses and different neurons.
164
556000
3000
които са представени от импулси и различни неврони.
09:37
So you have all these pieces of data
165
559000
2000
Така че имате всички тези частици данни,
09:39
distributed throughout the network.
166
561000
2000
разпределени в цялата мрежа.
09:41
And then the way that you process that data to get a result
167
563000
3000
И след това начина, по който се обработват данните, за да се получи резултат
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
е, че се превежда този модел на дейност в един нов модел на дейност,
09:48
just by it flowing through the network.
169
570000
3000
само като преминава през мрежата.
09:51
So you set up these connections
170
573000
2000
Така настройвате тези връзки,
09:53
such that the input pattern just flows
171
575000
3000
така че въведения модел просто преминава
09:56
and generates the output pattern.
172
578000
2000
и генерира изходния модел.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Това, което виждате тук е, че има тези излишни връзки.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Така че, ако тази част от данните, или тази част от данните се ударят,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
това не се показва тук, тези две парчета могат да активират липсващата част
10:11
with these redundant connections.
176
593000
2000
с тези излишни връзки.
10:13
So even when you go to these crappy devices
177
595000
2000
Така че дори и когато използвате тези некачествени устройства,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
при които понякога искате единица, а получавате нула,
10:18
there's redundancy in the network
179
600000
2000
има взаимозаменяемост в мрежата,
10:20
that can actually recover the missing information.
180
602000
3000
която може да възстанови липсващата информация.
10:23
It makes the brain inherently robust.
181
605000
3000
Това прави мозъкът по своята същност здрав.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Това, което имаме тук е система, в която данните се съхраняват локално.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
И тя е крехка, тъй като на всяка от тези стъпки трябва да бъде безупречна,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
в противен случай ще загубите тези данни. Докато в мозъка имате система,
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
която съхранява данните по разпръснат начин, и тя е здрава.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Това, за което искам да говоря, е моята мечта,
10:44
which is to build a computer that works like the brain.
187
626000
3000
която е да изградя компютър, който работи като мозъка.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Това е нещо над което работим през последните няколко години.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Ще ви покажа една система, която разработихме
10:54
to model the retina,
190
636000
3000
по образец на ретината,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
която е част от мозъка, очертаваща вътрешността на окото ви.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Ние не направихме това пишейки код, както вие правите на компютър.
11:08
In fact, the processing that happens
193
650000
3000
В действителност, обработката, която се случва
11:11
in that little piece of brain is very similar
194
653000
2000
в тази малка част на мозъка е много подобна
11:13
to the kind of processing that computers
195
655000
1000
на обработката, която компютрите
11:14
do when they stream video over the Internet.
196
656000
4000
правят, когато пренасят видео през интернет.
11:18
They want to compress the information --
197
660000
1000
Те искат да компресират информацията --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
те просто искат да изпратите промените, какво се е променило в образа и т.н. --
11:23
and that is how your eyeball
199
665000
3000
и това е начина, по който очната ябълка
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
е в състояние да компресира цялата тази информация до вашия зрителен нерв,
11:29
to send to the rest of the brain.
201
671000
2000
за да я изпрати до останалата част на мозъка.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Вместо да направим това със софтуер, или да направим този вид алгоритми,
11:34
we went and talked to neurobiologists
203
676000
3000
ние отидохме да говорим с невробиолози,
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
които всъщност бяха разкодирали тази част от мозъка наречена ретина.
11:41
And they figured out all the different cells,
205
683000
2000
И те измислиха всички различни клетки,
11:43
and they figured out the network, and we just took that network
206
685000
3000
измислиха мрежата, а ние просто взехме тази мрежа
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
и я използвахме като шаблон за проектирането на един силициев чип.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Така че сега невроните са представени като малки възли или платки в чипа,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
и връзките между невроните всъщност са моделирани от транзистори.
12:01
And these transistors are behaving essentially
210
703000
2000
И тези транзистори се държат по същество,
12:03
just like ion channels behave in the brain.
211
705000
3000
точно както йонните канали се държат в мозъка.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Ще ви дам същия вид устойчива архитектура, която описах.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Тук всъщност, така изглежда изкуственото ни око.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Ретината чип, който ние проектирахме, стои зад тези лещи тук.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
И чипът - ще ви покажа видео,
12:22
that the silicon retina put out of its output
216
724000
3000
което силициевата ретината изкара като резултат,
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
докато гледаше Карим Заглул,
12:28
who's the student who designed this chip.
218
730000
2000
който е студента, проектирал този чип.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Нека да ви обясня какво ще видите.
12:32
because it's putting out different kinds of information,
220
734000
3000
Понеже това извежда различни видове информация,
12:35
it's not as straightforward as a camera.
221
737000
2000
не е толкова просто както камера.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Ретината чип извежда четири различни видове информация.
12:40
It extracts regions with dark contrast,
223
742000
3000
Тя извежда регионите с тъмни контрасти,
12:43
which will show up on the video as red.
224
745000
3000
които ще се появят на видеото в червено.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Тя извежда регионите с бял или светъл контраст,
12:50
which will show up on the video as green.
226
752000
2000
които ще се появят на видеото в зелено.
12:52
This is Kareem's dark eyes
227
754000
2000
Това са тъмните очи на Карим
12:54
and that's the white background that you see here.
228
756000
3000
и това е белият фон, който виждате тук.
12:57
And then it also extracts movement.
229
759000
2000
Освен това също извлича движение.
12:59
When Kareem moves his head to the right,
230
761000
2000
Когато Карим движи главата си надясно,
13:01
you will see this blue activity there;
231
763000
2000
ще видите тази синя дейност там,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
тя представя региони, в които контраста на изображението се увеличава,
13:06
that's where it's going from dark to light.
233
768000
3000
това е, където се променя от тъмно към светло.
13:09
And you also see this yellow activity,
234
771000
2000
И вие също виждате тази жълта дейност,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
която представя региони, в които намалява контраста,
13:15
it's going from light to dark.
236
777000
2000
променя се от светло до тъмно.
13:17
And these four types of information --
237
779000
3000
И тези четири вида информация --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
вашият зрителен нерв има около един милион влакна в него,
13:24
and 900,000 of those fibers
239
786000
3000
и 900 000 от тези влакна
13:27
send these four types of information.
240
789000
2000
изпращат тези четири типа информация.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Така че ние наистина дублираме вида сигнали, които имате в зрителния нерв.
13:33
What you notice here is that these snapshots
242
795000
3000
Това, което може да забележите тук е, че тези снимки,
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
направени от информацията от ретината чип са твърде оскъдни.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Зелено не е достатъчно светло навсякъде в обкръжението,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
само по ръбовете, и така нататък.
13:45
And this is the same thing you see
246
807000
1000
И това е същото нещо, което може да забележите,
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
когато хората компресират видео за да го изпратят: те искат да го направят много оскъдно,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
защото така файлът ще бъде по-малък. И това е, което прави и ретината,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
и я прави само с платките, и как тази мрежа от неврони,
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
които си взаимодействат там, които уловихме на чипа.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Но това, което искам да обясня, ще ви го покажа тук.
14:03
So this image here is going to look like these ones,
252
825000
3000
Така, тази снимка тук ще изглежда като тези,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
но тук ще ви покажа, че ние можем да възстановим изображението,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
така че, знаете ли, да можете почти да разпознаете Карим в горната част там.
14:13
And so, here you go.
255
835000
2000
Ето ви.
14:24
Yes, so that's the idea.
256
846000
3000
Да, така че това е идеята.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Когато стоите на едно място, просто виждате светли и тъмни контрасти.
14:29
But when it's moving back and forth,
258
851000
2000
Но когато това се движи напред-назад,
14:31
the retina picks up these changes.
259
853000
3000
ретината долавя тези промени.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
И затова, знаете ли, когато седите тук
14:35
and something happens in your background,
261
857000
2000
и нещо се случва наоколо,
14:37
you merely move your eyes to it.
262
859000
2000
вие едва придвижвате очите си към него.
14:39
There are these cells that detect change
263
861000
2000
Там са тези клетки, които откриват промяната
14:41
and you move your attention to it.
264
863000
2000
и вие прехвърляте вниманието си към нея.
14:43
So those are very important for catching somebody
265
865000
2000
Така че, тези клетки са много важни за улавяне на някой,
14:45
who's trying to sneak up on you.
266
867000
2000
който се опитва да се промъкне до вас.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Позволете ми да завърша, като кажа, че това се случва,
14:50
when you put Africa in a piano, OK.
268
872000
3000
когато поставите Африка в пиано, нали.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Това е стоманен барабан, който е бил променен,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
и това се случва, когато поставите Африка в пиано.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
А това, което искам да направим, е да поставим Африка в компютъра,
15:03
and come up with a new kind of computer
272
885000
2000
и да стигнем до нов вид компютър,
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
който ще генерира размисъл, въображение, ще бъде креативен, и такива неща.
15:08
Thank you.
274
890000
2000
Благодаря ви.
15:10
(Applause)
275
892000
2000
(Ръкопляскания)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Крис Андерсън: Имам въпрос за теб, Куабена.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Дали поставяш в съзнанието си работата, която вършиш,
15:18
the future of Africa, this conference --
278
900000
3000
бъдещето на Африка, тази конференция --
15:21
what connections can we make, if any, between them?
279
903000
3000
какви връзки можем да направим, ако има такава, между тях?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Куабена Боахен: Да, както казах в началото.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Получих първият си компютър, когато бях тийнейджър, растейки в Акра.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
И аз имах тази инстинктивна реакция, че това беше грешния начин, по който да се направи.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Това беше много груба сила, беше много неелегантно.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Не мисля, че щях да имам тази реакция,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
ако бях израстнал, четейки цялата тази научна фантастика,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
слушайки за RD2D2, както там се нарича, и просто -- знаете ли,
15:46
buying into this hype about computers.
287
928000
1000
да повярвам на тази възхвала на компютрите.
15:47
I was coming at it from a different perspective,
288
929000
2000
Аз идвах към това от различна гледна точка,
15:49
where I was bringing that different perspective
289
931000
2000
където пренесох тази различна гледна точка,
15:51
to bear on the problem.
290
933000
2000
да се справя с проблема.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
И мисля, че много хора в Африка имат тази различна гледна точка,
15:56
and I think that's going to impact technology.
292
938000
2000
и мисля, че това ще окаже въздействие на технологията.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
И това ще се отрази на това, как тя ще се развива.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
И мисля, че вие ще започнете да виждате, да използвате тази смес,
16:02
to come up with new things,
295
944000
2000
за да излезете с нови неща,
16:04
because you're coming from a different perspective.
296
946000
3000
понеже вие идвате от различна гледна точка.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Мисля, че ние можем да допринесем, можем да мечтаем като всички останали.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Крис Андерсън: Благодаря Квабена, това беше наистина интересно.
16:13
Thank you.
299
955000
1000
Благодаря.
16:14
(Applause)
300
956000
2000
(Ръкопляскания)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com