TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha erklärt, wie das Gehirn sehen lernt
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha erläutert seine bahnbrechende Forschungsarbeit über die Entwicklung des visuellen Systems im Gehirn. Sinha und sein Team bieten kostenlose Behandlungen für blind geborene Kinder an, um ihr Augenlicht wiederherzustellen. Im Anschluss untersuchen sie, wie das Gehirn ihrer Patienten lernt, visuelle Daten zu interpretieren. Seine Arbeit liefert Erkenntnisse für die Neurowissenschaften, Technik und sogar Autismus.
Pawan Sinha - Visual neuroscientist
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Double-click the English transcript below to play the video.
00:15
If you are a blind child in India,
0
0
4000
Als blindes Kind in Indien
00:19
you will very likely have to contend with
1
4000
3000
muss man sich mit großer Wahrscheinlichkeit
00:22
at least two big pieces of bad news.
2
7000
3000
mit mindestens zwei schlechten Nachrichten abfinden.
00:25
The first bad news
3
10000
2000
Die erste ist, dass es
00:27
is that the chances of getting treatment
4
12000
3000
so gut wie keine Aussichten
00:30
are extremely slim to none,
5
15000
3000
auf eine Behandlung gibt,
00:33
and that's because most of the blindness
6
18000
2000
denn die meisten Programme
00:35
alleviation programs in the country
7
20000
2000
zur Minderung der Blindheit im Land
00:37
are focused on adults,
8
22000
2000
konzentrieren sich auf Erwachsene.
00:39
and there are very, very few hospitals
9
24000
3000
Es gibt nur sehr wenige Krankenhäuser,
00:42
that are actually equipped to treat children.
10
27000
3000
die überhaupt für die Behandlung von Kindern ausgestatten sind.
00:46
In fact, if you were to be treated,
11
31000
4000
Und wenn man behandelt wird,
00:51
you might well end up being treated
12
36000
3000
kann es sogar sein, dass die behandelnde Person
00:54
by a person who has no medical credentials
13
39000
3000
keinerlei medizinischen Referenzen besitzt,
00:57
as this case from Rajasthan illustrates.
14
42000
3000
so wie in diesem Fall von Rajasthan.
01:00
This is a three-year-old orphan girl
15
45000
2000
Das ist ein drei Jahre altes Weisenkind,
01:02
who had cataracts.
16
47000
2000
das von Katarakten betroffen war.
01:04
So, her caretakers took her
17
49000
2000
Deshalb brachten ihre Pfleger sie
01:06
to the village medicine man,
18
51000
2000
zum Medizinmann des Dorfes.
01:08
and instead of suggesting to the caretakers
19
53000
3000
Anstatt den Pflegern vorzuschlagen,
01:11
that the girl be taken to a hospital,
20
56000
3000
das Mädchen in ein Krankenhaus zu bringen,
01:14
the person decided to burn her abdomen
21
59000
2000
brandmarkte diese Person den Bauch des Mädchens
01:16
with red-hot iron bars
22
61000
2000
mit glühendheißen Eisenstangen
01:18
to drive out the demons.
23
63000
2000
um die bösen Geister auszutreiben.
01:20
The second piece of bad news
24
65000
3000
Die zweite schlechte Nachricht
01:23
will be delivered to you
25
68000
2000
wird von Neurowissenschaftlern überbracht,
01:25
by neuroscientists, who will tell you
26
70000
3000
die einem sagen,
01:28
that if you are older than four or five years of age,
27
73000
3000
dass wenn man älter als vier oder fünf Jahre ist,
01:31
that even if you have your eye corrected,
28
76000
3000
die Chance, dass das Gehirn Sehen lernt,
01:34
the chances of your brain learning how to see
29
79000
3000
selbst nach einer Augenkorrektur
01:37
are very, very slim --
30
82000
2000
sehr sehr gering ist.
01:39
again, slim or none.
31
84000
3000
Wiederum, so gut wie nicht vorhanden.
01:42
So when I heard these two things,
32
87000
2000
Als ich von diesen zwei Dingen erfuhr,
01:44
it troubled me deeply,
33
89000
2000
bekümmerte mich das sehr,
01:46
both because of personal reasons
34
91000
2000
sowohl aus persönlichen Gründen
01:48
and scientific reasons.
35
93000
2000
als auch aus wissenschaftlichen Gründen.
01:50
So let me first start with the personal reason.
36
95000
3000
Lassen Sie mich mit den persönlichen Gründen beginnen.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Es mag kitschig klingen, aber es ist ehrlich.
01:56
That's my son, Darius.
38
101000
2000
Das ist mein Sohn Darius.
01:58
As a new father,
39
103000
2000
Als frischgebackener Vater
02:00
I have a qualitatively different sense
40
105000
4000
habe ich eine ganz andere Wahrnehmung davon,
02:04
of just how delicate babies are,
41
109000
3000
wie empfindlich Babys sind,
02:07
what our obligations are towards them
42
112000
3000
was unsere Pflichten ihnen gegenüber sind,
02:10
and how much love
43
115000
2000
und wie viel Liebe
02:12
we can feel towards a child.
44
117000
3000
wir für ein Kind empfinden können.
02:15
I would move heaven and earth
45
120000
2000
Ich würde Himmel und Erde in Bewegung setzen,
02:17
in order to get treatment for Darius,
46
122000
3000
um Darius eine Behandlung zukommen zu lassen.
02:20
and for me to be told
47
125000
2000
Und zu erfahren,
02:22
that there might be other Dariuses
48
127000
2000
dass es andere Dariuses geben könnte,
02:24
who are not getting treatment,
49
129000
2000
die keine Behandlung erhalten,
02:26
that's just viscerally wrong.
50
131000
3000
fühlt sich für mich grundlegen falsch an.
02:29
So that's the personal reason.
51
134000
2000
Das ist also mein persönlicher Grund.
02:31
Scientific reason is that this notion
52
136000
3000
Der wissenschaftliche Grund ist, dass ich
02:34
from neuroscience of critical periods --
53
139000
2000
der neurowissenschaftlichen Vorstellung
02:36
that if the brain is older
54
141000
3000
von den kritischen Phasen nicht zustimme,
02:39
than four or five years of age,
55
144000
2000
dass, wenn das Gehirn
02:41
it loses its ability to learn --
56
146000
2000
älter als vier oder fünf Jahre ist,
02:43
that doesn't sit well with me,
57
148000
2000
es die Fähigkeit zu lernen verliert.
02:45
because I don't think that idea
58
150000
2000
Ich glaube, dass diese Annahme
02:47
has been tested adequately.
59
152000
3000
nicht adequat getestet wurde.
02:50
The birth of the idea is from
60
155000
2000
Sie basiert auf der Arbeit
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
von David Hubel und Torsten Wiesel,
02:54
two researchers who were at Harvard,
62
159000
2000
zwei Forschern an der Harvard Universität,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
die 1981 den Nobelpreis
02:59
for their studies of visual physiology,
64
164000
2000
für ihre Forschung in visueller Physiologie erhielten.
03:01
which are remarkably beautiful studies,
65
166000
2000
Es sind bemerkenswert schöne Studien,
03:03
but I believe some of their work
66
168000
2000
aber ich glaube, dass Teile dieser Arbeit
03:05
has been extrapolated
67
170000
2000
vorzeitig auf den Menschen
03:07
into the human domain prematurely.
68
172000
2000
abgeleitet wurden.
03:09
So, they did their work with kittens,
69
174000
2000
Die beiden arbeiteten mit kleinen Katzen
03:11
with different kinds of deprivation regiments,
70
176000
2000
und verschiedenen Arten der Deprivation,
03:13
and those studies,
71
178000
2000
und diese Studien
03:15
which date back to the '60s,
72
180000
2000
aus den sechziger Jahren
03:17
are now being applied to human children.
73
182000
3000
werden nun auf Menschenkinder übertragen.
03:20
So I felt that I needed to do two things.
74
185000
3000
Deshalb meinte ich zwei Dinge tun zu müssen.
03:23
One: provide care
75
188000
3000
Erstens: jenen Kindern eine Behandlung
03:26
to children who are currently
76
191000
2000
zukommen zu lassen, denen sie
03:28
being deprived of treatment.
77
193000
2000
momentan vorenthalten wird.
03:30
That's the humanitarian mission.
78
195000
2000
Das ist die humanitäre Mission.
03:32
And the scientific mission would be
79
197000
2000
Und die wissenschaftliche Mission wäre,
03:34
to test the limits
80
199000
2000
die Grenzen visueller Plastizität
03:36
of visual plasticity.
81
201000
2000
auszutesten.
03:38
And these two missions, as you can tell,
82
203000
3000
Diese zwei Missionen passen, wie man sieht,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
perfekt zusammen, eine ergänzt die andere.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Tatsächlich wären sie ohne einander nicht möglich.
03:49
So, to implement
85
214000
2000
Um diese Zwillingsmission
03:51
these twin missions,
86
216000
2000
zu implementieren, gründete ich
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
vor einigen Jahren das Projekt Prakash.
03:56
Prakash, as many of you know,
88
221000
2000
Prakash, wie viele von Ihnen wissen,
03:58
is the Sanskrit word for light,
89
223000
2000
ist Sanskrit für alle Arten von Licht.
04:00
and the idea is that
90
225000
2000
Die Idee dahinter ist,
04:02
in bringing light into the lives of children,
91
227000
3000
dass, indem wir Licht in das Leben von Kindern bringen,
04:05
we also have a chance
92
230000
2000
wir auch eine Chance haben,
04:07
of shedding light on some of the
93
232000
2000
Licht in das Dunkel einiger der Geheimnisse
04:09
deepest mysteries of neuroscience.
94
234000
3000
der Neurowissenschaften zu bringen.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
Das Logo, obwohl es sehr irisch aussieht,
04:15
it's actually derived from
96
240000
2000
ist abgeleitet von dem indischen Symbol Diya,
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
einer tönernen Lampe.
04:21
The Prakash, the overall effort
98
246000
3000
Projekt Prakash, die Gesamtbewegung,
04:24
has three components:
99
249000
2000
besteht aus drei Komponenten:
04:26
outreach, to identify children in need of care;
100
251000
4000
Initiativen, um Kinder, die Hilfe benötigen, zu identifizieren,
04:30
medical treatment; and in subsequent study.
101
255000
3000
medizinische Versorgung und anschließende Studien.
04:33
And I want to show you a short video clip
102
258000
3000
Ich möchte Ihnen ein kurzes Video zeigen,
04:36
that illustrates the first two components of this work.
103
261000
3000
dass die ersten beiden Komponenten unserer Arbeit illustriert.
04:41
This is an outreach station
104
266000
2000
Das ist eine Gesundheisstation
04:43
conducted at a school for the blind.
105
268000
3000
an einer Blindenschule.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Text: Die Mehrzahl der Kinder sind hochgradig und permanent erblindet...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Pawan Sinha: Da dies eine Blindenschule ist,
04:56
many children have permanent conditions.
108
281000
2000
haben viele Kinder hier permanente Leiden.
04:58
That's a case of microphthalmos,
109
283000
3000
Das ist ein Fall von Mikrophthalmus,
05:01
which is malformed eyes,
110
286000
2000
das sind missgeformte Augen,
05:03
and that's a permanent condition;
111
288000
2000
ein permanentes Leiden.
05:05
it cannot be treated.
112
290000
2000
Dafür gibt es keine Behandlung.
05:07
That's an extreme of micropthalmos
113
292000
2000
Das ist ein Extremfall von Mikrophthalmus,
05:09
called enophthalmos.
114
294000
2000
Enophthalmus genannt.
05:11
But, every so often, we come across children
115
296000
2000
Aber immer wieder finden wir Kinder,
05:13
who show some residual vision,
116
298000
3000
die noch ein Restsehvermögen haben,
05:16
and that is a very good sign
117
301000
3000
und das ist ein sehr gutes Zeichen dafür,
05:19
that the condition might actually be treatable.
118
304000
2000
dass man dieses Leiden vielleicht doch behandeln kann.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Nach der Untersuchung bringen wir die Kinder ins Krankenhaus.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Das ist das Krankenhaus, mit dem wir in Delhi zusammenarbeiten,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
das Dr. Schroff Charity Eye Hospital.
05:29
It has a very well-equipped
122
314000
2000
Es hat ein sehr gut ausgestattetes
05:31
pediatric ophthalmic center,
123
316000
3000
pediatrisches Augenzentrum,
05:35
which was made possible in part
124
320000
2000
das teilweise von der
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
Ronald McDonald Stiftung mitfinanziert wurde.
05:41
So, eating burgers actually helps.
126
326000
3000
Burger Essen hilft also tatsächlich.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Text: Diese Untersuchungen ermöglichen es uns,
05:47
eye-health in many children, and ...
128
332000
2000
die Augengesundheit vieler Kinder zu verbessern und...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
... Kinder zu finden, die an Projekt Prakash teilnehmen können.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
PS: Wenn ich die Augen dieses Kindes heranzoome,
05:59
you will see the cause of his blindness.
131
344000
3000
werden Sie die Ursache seiner Erblindung erkennen.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Die weißen Verfärbungen in der Mitte seiner Pupillen
06:06
are congenital cataracts,
133
351000
3000
sind angeborene Katarakte,
06:09
so opacities of the lens.
134
354000
2000
also Linsentrübungen.
06:11
In our eyes, the lens is clear,
135
356000
3000
In unseren Augen sind die Linsen klar,
06:14
but in this child, the lens has become opaque,
136
359000
2000
aber die Linsen dieses Kindes sind undurchsichtig geworden,
06:16
and therefore he can't see the world.
137
361000
3000
und deshalb kann es die Welt nicht sehen.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Das Kind wurde behandelt. Sie werden Aufnahmen des Auges sehen.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Hier ist das Auge mit der getrübten Linse,
06:24
the opaque lens extracted
140
369000
2000
die getrübte Linse wird entfernt
06:26
and an acrylic lens inserted.
141
371000
3000
und eine Acryllinse eingesetzt.
06:29
And here's the same child
142
374000
2000
Und hier ist dasselbe Kind
06:31
three weeks post-operation,
143
376000
3000
drei Wochen nach der Operation,
06:34
with the right eye open.
144
379000
3000
das rechte Auge geöffnet.
06:40
(Applause)
145
385000
6000
(Applaus)
06:46
Thank you.
146
391000
2000
Danke.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Selbst dieses kurze Video vermittelt schon den Eindruck,
06:51
that recovery is possible,
148
396000
2000
dass Heilung möglich ist.
06:53
and we have now
149
398000
2000
Mitlerweile haben wir
06:55
provided treatment to over 200 children,
150
400000
3000
über 200 Kinder behandelt,
06:58
and the story repeats itself.
151
403000
2000
und die Geschichte wiederholt sich.
07:00
After treatment, the child
152
405000
2000
Nach der Behandlung gewinnt das Kind
07:02
gains significant functionality.
153
407000
3000
maßgeblich an Funktionalität.
07:05
In fact, the story holds true
154
410000
3000
In der Tat bewahrheitet sich die Geschichte sogar
07:08
even if you have a person who got sight
155
413000
2000
bei Personen, die ihr Augenlicht nach
07:10
after several years of deprivation.
156
415000
2000
etlichen Jahren der Entbehrung gewinnen.
07:12
We did a paper a few years ago
157
417000
2000
Vor einigen Jahren veröffentlichten wir einen Artikel
07:14
about this woman that you see on the right, SRD,
158
419000
4000
über die Frau, die Sie hier rechts sehen, SRD.
07:18
and she got her sight late in life,
159
423000
2000
Sie gewann ihr Augenlicht erst spät in ihrem Leben
07:20
and her vision is remarkable at this age.
160
425000
4000
und ihre Sehfähigkeit ist bemerkenswert für ihr Alter.
07:24
I should add a tragic postscript to this --
161
429000
3000
Ich muss einen tragischen Nachtrag machen.
07:27
she died two years ago
162
432000
2000
Vor zwei Jahren starb sie
07:29
in a bus accident.
163
434000
2000
bei einem Busunfall.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Aber ihre Geschichte ist wirklich inspirierend,
07:35
unknown, but inspiring story.
165
440000
3000
unbekannt aber inspirierend.
07:38
So when we started finding these results,
166
443000
2000
Als wir zu diesen Ergebnissen kamen,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
verursachte das, wie Sie sich vorstellen können,
07:43
in the scientific and the popular press.
168
448000
3000
einige Aufregung in der wissenschaftlichen und der Boulevardpresse.
07:46
Here's an article in Nature
169
451000
2000
Hier ist ein Artikel in Nature,
07:48
that profiled this work,
170
453000
2000
der unsere Arbeit erläuterte,
07:50
and another one in Time.
171
455000
2000
und ein anderer in Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Wir waren also ziemlich überzeugt, wir sind überzeugt,
07:54
that recovery is feasible,
173
459000
2000
dass Heilung möglich ist,
07:56
despite extended visual deprivation.
174
461000
3000
trotz langer visueller Entbehrung.
07:59
The next obvious question to ask:
175
464000
2000
Die nächste naheliegende Frage ist:
08:01
What is the process of recovery?
176
466000
3000
Wie sieht der Heilungsprozess aus?
08:04
So, the way we study that is,
177
469000
3000
Wir untersuchen das auf folgende Weise,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
sagen wir, wir finden ein Kind mit Lichtsensibilität.
08:09
The child is provided treatment,
179
474000
2000
Das Kind wird behandelt,
08:11
and I want to stress that the treatment
180
476000
2000
und ich möchte betonen, dass die Behandlung
08:13
is completely unconditional;
181
478000
2000
an keinerlei Bedingungen geknüpft ist.
08:15
there is no quid pro quo.
182
480000
2000
Es wird keine Gegenleistung erwartet.
08:17
We treat many more children then we actually work with.
183
482000
3000
Die Anzahl der Kinder, die wir behandeln, ist viel größer als die, mit der wir arbeiten.
08:20
Every child who needs treatment is treated.
184
485000
3000
Jedes Kind, das Behandlung benötigt, bekommt sie.
08:23
After treatment, about every week,
185
488000
2000
Nach der Behandlung lassen wir das Kind
08:25
we run the child
186
490000
2000
wöchentlich eine Reihe von
08:27
on a battery of simple visual tests
187
492000
3000
einfachen Sehtests machen,
08:30
in order to see how their visual skills
188
495000
2000
um zu sehen,
08:32
are coming on line.
189
497000
2000
wie sich sein Sehvermögen anpasst.
08:34
And we try to do this for as long as possible.
190
499000
3000
Das versuchen wir so lange wie möglich zu machen.
08:37
This arc of development
191
502000
2000
Dieser Entwicklungsbogen
08:39
gives us unprecedented
192
504000
2000
bietet uns noch nie dagewesene und
08:41
and extremely valuable information
193
506000
2000
besonders wertvolle Informationen darüber,
08:43
about how the scaffolding of vision
194
508000
2000
wie sich das Gerüst
08:45
gets set up.
195
510000
2000
der Sehfähigkeit aufbaut.
08:47
What might be the causal connections
196
512000
2000
Welches könnten die Kausalzusammenhänge
08:49
between the early developing skills
197
514000
2000
zwischen den sich früh entwickelnden Fähigkeiten
08:51
and the later developing ones?
198
516000
2000
und den sich später entwickelnden sein?
08:53
And we've used this general approach to study
199
518000
2000
Diese allgemeine Vorgehensweise haben wir genutzt,
08:55
many different visual proficiencies,
200
520000
3000
um viele verschiedene visuelle Fähigkeiten zu untersuchen,
08:58
but I want to highlight one particular one,
201
523000
4000
aber ich möchte eine bestimmte hervorheben,
09:02
and that is image parsing into objects.
202
527000
3000
und zwar Bilder in Objekte zu zergliedern.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Jedes Bild der Art, wie Sie es links sehen,
09:07
be it a real image or a synthetic image,
204
532000
3000
ob reales Bild oder synthetisches Bild,
09:10
it's made up of little regions
205
535000
2000
ist zusammengesetzt aus kleinen Bereichen,
09:12
that you see in the middle column,
206
537000
2000
die Sie in der mittleren Spalte sehen,
09:14
regions of different colors, different luminances.
207
539000
3000
verschiedenen Farbbereichen, verschiedenen Helligkeiten.
09:17
The brain has this complex task
208
542000
3000
Das Gehirn hat die komplexe Aufgabe,
09:20
of putting together, integrating,
209
545000
3000
Untergruppen dieser Bereiche
09:23
subsets of these regions
210
548000
2000
zu etwas bedeutungsvollerem
09:25
into something that's more meaningful,
211
550000
2000
zusammenzusetzen, zu integrieren,
09:27
into what we would consider to be objects,
212
552000
2000
zu etwas, dass wir als Objekte bezeichnen würden,
09:29
as you see on the right.
213
554000
2000
so wie Sie es rechts sehen.
09:31
And nobody knows how this integration happens,
214
556000
2000
Niemand weiß, wie diese Integration funktioniert.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Das ist die Frage, der wir mit Projekt Prakash nachgegangen sind.
09:37
So, here's what happens
216
562000
2000
Das ist, was kurz nach dem Einsetzen
09:39
very soon after the onset of sight.
217
564000
3000
der Sehfähigkeit geschieht.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Das ist jemand, der vor ein paar Wochen seine Sehfähigkeit erlangt hat,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
und Sie sehen, wie Ethan Myers, ein Student des MIT,
09:48
running the experiment with him.
220
573000
3000
das Experiment mit ihm durchführt.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Seine Hand-Augen-Koordination ist relativ schlecht,
09:55
but you get a general sense
222
580000
2000
aber Sie bekommen einen allgemeinen Eindruck
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
von den Bereichen, die er versucht nachzuziehen.
10:00
If you show him real world images,
224
585000
2000
Wenn man ihm Bilder der realen Welt zeigt,
10:02
if you show others like him real world images,
225
587000
3000
wenn man anderen wie ihm Bilder der realen Welt zeigt,
10:05
they are unable to recognize most of the objects
226
590000
2000
können sie die meisten Objekte nicht erkennen,
10:07
because the world to them is over-fragmented;
227
592000
3000
denn die Welt ist für sie überfragmentiert,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
sie besteht aus einer Collage, einem Flickwerk
10:13
of regions of different colors and luminances.
229
598000
2000
aus Bereichen verschiedener Farben und Helligkeiten.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
Das wird durch die grünen Linien verdeutlicht.
10:17
When you ask them,
231
602000
2000
Wenn man sie bittet,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
auf die Objekte zu zeigen, selbst wenn sie sie nicht benennen können,
10:22
these are the regions that they point to.
233
607000
2000
sind dies die Bereiche, auf die sie zeigen.
10:24
So the world is this complex
234
609000
2000
Die Welt ist dieses komplexe
10:26
patchwork of regions.
235
611000
2000
Flickwerk von Bereichen.
10:28
Even the shadow on the ball
236
613000
2000
Selbst der Schatten auf dem Ball
10:30
becomes its own object.
237
615000
3000
wird zu einem eigenen Objekt.
10:33
Interestingly enough,
238
618000
2000
Interessanterweise
10:35
you give them a few months,
239
620000
2000
passiert nach einigen Monaten
10:37
and this is what happens.
240
622000
3000
das Folgende.
10:43
Doctor: How many are these?
241
628000
2000
Doktor: Wie viele sind das?
10:45
Patient: These are two things.
242
630000
2000
Patient: Das sind zwei Dinge.
10:47
Doctor: What are their shapes?
243
632000
2000
Doktor: Was sind ihre Formen?
10:49
Patient: Their shapes ...
244
634000
2000
Patient: Ihre Formen...
10:51
This one is a circle,
245
636000
3000
Das ist ein Kreis,
10:54
and this
246
639000
2000
und das
10:56
is a square.
247
641000
2000
ist ein Quadrat.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
PS: Eine sehr dramatische Veränderung ist zum Vorschein gekommen.
11:01
And the question is:
249
646000
2000
Die Frage ist:
11:03
What underlies this transformation?
250
648000
2000
was führte zu dieser Veränderung?
11:05
It's a profound question,
251
650000
2000
Es ist eine grundlegende Frage,
11:07
and what's even more amazing is how simple
252
652000
2000
und was noch erstaunlicher ist,
11:09
the answer is.
253
654000
2000
ist wie simpel die Antwort ist.
11:11
The answer lies in motion
254
656000
2000
Die Antwort liegt in Bewegung.
11:13
and that's what I want to show you in the next clip.
255
658000
3000
Das möchte ich Ihnen im nächsten Video zeigen.
11:18
Doctor: What shape do you see here?
256
663000
2000
Doktor: Welche Form sehen Sie hier?
11:20
Patient: I can't make it out.
257
665000
3000
Patient: Ich kann es nicht erkennen.
11:28
Doctor: Now?
258
673000
2000
Doktor: Jetzt?
11:31
Patient: Triangle.
259
676000
2000
Patient: Dreieck.
11:35
Doctor: How many things are these?
260
680000
3000
Doktor: Wie viele Dinge sind das?
11:48
Now, how many things are these?
261
693000
3000
Jetzt, wie viele Dinge sind das?
11:51
Patient: Two.
262
696000
2000
Patient: Zwei.
11:53
Doctor: What are these things?
263
698000
2000
Doktor: Was sind das für Dinge?
11:56
Patient: A square and a circle.
264
701000
2000
Patient: Ein Quadrat und ein Kreis.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
PS: Wir sehen dieses Muster immer wieder.
12:01
The one thing the visual system needs
266
706000
3000
Was das visuelle System braucht,
12:04
in order to begin parsing the world
267
709000
2000
um die Welt in ihre Einzelteile zu zergliedern,
12:06
is dynamic information.
268
711000
2000
sind dynamische Informationen.
12:08
So the inference we are deriving from this,
269
713000
2000
Der Schluss, den wir daraus
12:10
and several such experiments,
270
715000
2000
und aus weiteren ähnlichen Experimenten ziehen,
12:12
is that dynamic information processing,
271
717000
2000
ist dass die Verarbeitung dynamischer Informationen,
12:14
or motion processing,
272
719000
2000
oder auch Bewegungsverarbeitung,
12:16
serves as the bedrock for building
273
721000
2000
die Grundlage für die Ausbildung
12:18
the rest of the complexity of visual processing;
274
723000
4000
der übrigen komplexen visuellen Verarbeitungsprozesse darstellt.
12:22
it leads to visual integration
275
727000
2000
Sie führt zu visueller Integration
12:24
and eventually to recognition.
276
729000
3000
und schließlich zum Erkennen.
12:27
This simple idea has far reaching implications.
277
732000
3000
Diese einfache Vorstellung hat weitreichende Folgen.
12:30
And let me just quickly mention two,
278
735000
3000
Lassen Sie mich nur kurz zwei nennen.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Eine aus dem Bereich der Technik
12:35
and one from the clinic.
280
740000
2000
und eine aus der Klinik.
12:37
So, from the perspective of engineering,
281
742000
2000
Aus der Sicht der Technik können wir fragen,
12:39
we can ask: Goven that we know
282
744000
3000
angesichts der Tatsache, dass Bewegung
12:42
that motion is so important for the human visual system,
283
747000
2000
so wichtig für das menschliche visuelle System ist,
12:44
can we use this as a recipe
284
749000
3000
können wir das als ein Rezept nutzen,
12:47
for constructing machine-based vision systems
285
752000
3000
um maschinelle Sehsysteme zu bauen,
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
die eigenständig lernen können,
12:53
by a human programmer?
287
758000
2000
ohne von einem Menschen programmiert werden zu müssen.
12:55
And that's what we're trying to do.
288
760000
2000
Das versuchen wir zu erreichen.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Ich bin am MIT. Am MIT soll man jegliche Kenntnisse,
13:00
whatever basic knowledge you gain.
290
765000
2000
die man erlangt, praktisch anwenden.
13:02
So we are creating Dylan,
291
767000
2000
Wir erstellen also Dylan,
13:04
which is a computational system
292
769000
2000
ein Computersystem
13:06
with an ambitious goal
293
771000
2000
mit dem ehrgeizigen Ziel,
13:08
of taking in visual inputs
294
773000
2000
visuelle Daten der gleichen Art,
13:10
of the same kind that a human child would receive,
295
775000
3000
wie sie menschliche Kinder empfangen,
13:13
and autonomously discovering:
296
778000
2000
aufzunehmen und selbständig festzustellen,
13:15
What are the objects in this visual input?
297
780000
3000
welches die Objekte in diesen visuellen Daten sind.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Kümmern Sie sich nicht um Dylans interne Details.
13:21
Here, I'm just going to talk about
299
786000
3000
Ich möchte hier nur darüber sprechen,
13:24
how we test Dylan.
300
789000
2000
wie wir Dylan testen.
13:26
The way we test Dylan is by giving it
301
791000
2000
Wir testen Dylan, indem wir ihm Daten geben,
13:28
inputs, as I said, of the same kind
302
793000
3000
wie gesagt, derselben Art, wie sie ein Baby
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
oder ein Kind in Projekt Prakash bekäme.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Lange Zeit konnten wir nicht ganz verstehen,
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
wie wir Videodaten dieser Art sammeln konnten.
13:41
So, I thought,
306
806000
2000
Dann hatte ich die Idee,
13:43
could we have Darius
307
808000
2000
dass wir Darius
13:45
serve as our babycam carrier,
308
810000
3000
als unseren Babycamträger nutzen könnten,
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
um die Daten zu sammeln, die wir in Dylan eingeben.
13:51
So that's what we did.
310
816000
2000
Und das haben wir getan.
13:53
(Laughter)
311
818000
7000
(Gelächter)
14:00
I had to have long conversations with my wife.
312
825000
3000
Ich musste lange mit meiner Frau diskutieren.
14:03
(Laughter)
313
828000
5000
(Gelächter)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Pam, wenn du jetzt zusiehst,
14:10
please forgive me.
315
835000
2000
bitte, vergib mir.
14:13
So, we modified the optics of the camera
316
838000
4000
Wir modifizierten die Optik der Kamera,
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
um die Sehschärfe eines Babys nachzuahmen.
14:20
As some of you might know,
318
845000
2000
Wie einige von Ihnen wissen dürften,
14:22
babyies are born pretty much legally blind.
319
847000
4000
kommen Babys nahezu blind auf die Welt.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
Ihre Sehschärfe – unsere ist 20/20 –
14:29
babies' acuity is like 20/800,
321
854000
3000
die Sehschärfe von Babys liegt um 20/800,
14:32
so they are looking at the world
322
857000
2000
daher sehen sie die Welt
14:34
in a very, very blurry fashion.
323
859000
3000
sehr verschwommen.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
So sieht ein Babycam-Video aus.
14:41
(Laughter)
325
866000
9000
(Gelächter)
14:50
(Applause)
326
875000
3000
(Applaus)
14:53
Thankfully, there isn't any audio
327
878000
2000
Zum Glück ist da
14:55
to go with this.
328
880000
3000
kein Ton drauf.
14:58
What's amazing is that working with such
329
883000
2000
Was erstaunlich ist, ist dass,
15:00
highly degraded input,
330
885000
2000
trotz stark verminderten Daten,
15:02
the baby, very quickly, is able
331
887000
2000
das Baby sehr schnell Sinn
15:04
to discover meaning in such input.
332
889000
3000
aus diesen Daten machen kann.
15:07
But then two or three days afterward,
333
892000
2000
Nach zwei oder drei Tagen
15:09
babies begin to pay attention
334
894000
2000
fangen Babys an, den Gesichtern
15:11
to their mother's or their father's face.
335
896000
2000
ihrer Eltern Aufmerksamkeit zu schenken.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Wie geschieht das? Wir wollen, dass Dylan das kann.
15:16
and using this mantra of motion,
337
901000
3000
Indem er das Mantra der Bewegung nutzt,
15:19
Dylan actually can do that.
338
904000
2000
kann Dylan das wirklich tun,
15:21
So, given that kind of video input,
339
906000
3000
selbst angesichts dieser Art der Videodaten
15:24
with just about six or seven minutes worth of video,
340
909000
3000
von nur ungefähr sechs bis sieben Minuten Länge,
15:27
Dylan can begin to extract patterns
341
912000
3000
kann Dylan anfangen, Muster zu extrahieren,
15:30
that include faces.
342
915000
3000
einschließlich Gesichter.
15:33
So, it's an important demonstration
343
918000
2000
Das ist ein wichtiger Beweis
15:35
of the power of motion.
344
920000
2000
der Macht der Bewegung.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
Die klinischen Folgerungen kommen aus dem Bereich des Autismus.
15:40
Visual integration has been associated with autism
346
925000
2000
Optische Integration wurde von verschiedenen Forschern
15:42
by several researchers.
347
927000
2000
mit Autismus in Verbindung gebracht.
15:44
When we saw that, we asked:
348
929000
2000
Als wir das sahen, fragten wir:
15:46
Could the impairment in visual integration
349
931000
3000
Könnte die Beeinträchtigung der optischen Integration
15:49
be the manifestation of something underneath,
350
934000
3000
die Manifestation von etwas Tieferliegendem sein,
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
von einem Defizit dynamischer Informationsverarbeitung bei Autismus?
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Denn, falls diese Hypothese wahr wäre,
15:58
it would have massive repercussions in our understanding
353
943000
3000
hätte sie massive Auswirkungen auf unser Verständnis
16:01
of what's causing the many different aspects
354
946000
2000
der Ursachen für verschiedene Aspekte
16:03
of the autism phenotype.
355
948000
3000
des Autismus Phänotyps.
16:06
What you're going to see are
356
951000
2000
Was Sie sehen werden, sind
16:08
video clips of two children -- one neurotypical,
357
953000
3000
Videos von zwei Kindern, die Pong spielen,
16:11
one with autism, playing Pong.
358
956000
2000
eines neurotypisch, eines mit Autismus.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Während die Kinder Pong spielen, verfolgen wir ihre Augenbewegungen.
16:16
In red are the eye movement traces.
360
961000
3000
Die Augenbewegungen sind hier in Rot zu sehen.
16:19
This is the neurotypical child, and what you see
361
964000
3000
Das ist das neurotypische Kind und, wie Sie sehen,
16:22
is that the child is able to make cues
362
967000
2000
kann das Kind Anhaltspunkte
16:24
of the dynamic information
363
969000
2000
aus der dynamischen Information ableiten,
16:26
to predict where the ball is going to go.
364
971000
2000
um die Bewegungsrichtung des Balls vorherzusagen.
16:28
Even before the ball gets to a place,
365
973000
3000
Schon bevor der Ball zu einem Ort gelangt,
16:31
the child is already looking there.
366
976000
3000
sieht das Kind dorthin.
16:34
Contrast this with a child
367
979000
2000
Vergleichen Sie das mit einem Kind
16:36
with autism playing the same game.
368
981000
2000
mit Autismus, das das gleiche Spiel spielt.
16:38
Instead of anticipating,
369
983000
2000
Anstatt sie vorherzusagen,
16:40
the child always follows where the ball has been.
370
985000
3000
folgt das Kind der Bewegung des Balls nach.
16:43
The efficiency of the use
371
988000
2000
Die Effizienz in der Verarbeitung
16:45
of dynamic information
372
990000
2000
dynamischer Informationen
16:47
seems to be significantly compromised in autism.
373
992000
3000
scheint bei Autismus erheblich beeinträchtigt zu sein.
16:51
So we are pursuing this line of work
374
996000
3000
Wir verfolgen diese Forschungsrichtung
16:54
and hopefully we'll have
375
999000
2000
und haben hoffentlich bald
16:56
more results to report soon.
376
1001000
2000
mehr Ergebnisse zu berichten.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
Vorausschauend, wenn man diesen Kreis
17:01
as representing all of the children
378
1006000
2000
als repräsentativ für all die Kinder betrachtet,
17:03
we've treated so far,
379
1008000
2000
die wir bisher behandelt haben,
17:05
this is the magnitude of the problem.
380
1010000
2000
ist dies das Ausmaß des Problems.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Die roten Punkte stellen Kinder dar, die wir nicht behandelt haben.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Es gibt also noch viel mehr Kinder, die Hilfe benötigen.
17:12
and in order to expand the scope of the project,
383
1017000
3000
Um die Bandbreite des Projekts zu erweitern,
17:15
we are planning on launching
384
1020000
2000
planen wir die Eröffnung
17:17
The Prakash Center for Children,
385
1022000
2000
des Prakash Zentrum für Kinder,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
welches ein pediatrisches Krankenhaus,
17:22
a school for the children we are treating
387
1027000
2000
eine Schule für die Kinder, die wir behandeln,
17:24
and also a cutting-edge research facility.
388
1029000
2000
und eine hochmoderne Forschungseinrichtung haben wird.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
Das Prakash Zentrum wird Gesundheitsversorgung,
17:29
education and research in a way
390
1034000
2000
Bildung und Forschung auf eine Weise integrieren,
17:31
that truly creates the whole
391
1036000
2000
die ein Ganzes schafft, das wirklich
17:33
to be greater than the sum of the parts.
392
1038000
3000
größer als die Summe seiner Teile ist.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Zusammengefasst hat Prakash in den fünf Jahren seiner Existenz
17:39
it's had an impact in multiple areas,
394
1044000
3000
Auswirkungen auf viele verschiedene Bereiche gehabt,
17:42
ranging from basic neuroscience
395
1047000
2000
von den grundlegenden Neurowissenschaften,
17:44
plasticity and learning in the brain,
396
1049000
2000
Plastizität und Lernen im Gehirn,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
bis hin zu klinisch relevanten Hypothesen wie für Autismus,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
der Entwicklung selbständiger maschineller Sehsysteme,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
Bildung für Studenten im Grund- und Hauptstudium,
17:56
and most importantly in the alleviation
400
1061000
2000
und am allerwichtigsten der Linderung
17:58
of childhood blindness.
401
1063000
2000
von Blindheit im Kindesalter.
18:00
And for my students and I, it's been
402
1065000
2000
Für meine Studenten und mich
18:02
just a phenomenal experience
403
1067000
2000
war es eine unglaubliche Erfahrung,
18:04
because we have gotten to do interesting research,
404
1069000
4000
denn wir konnten interessante Forschungsprojekte durchführen
18:08
while at the same time
405
1073000
2000
und gleichzeitig vielen Kindern,
18:10
helping the many children that we have worked with.
406
1075000
2000
mit denen wir gearbeitet haben, helfen.
18:12
Thank you very much.
407
1077000
2000
Vielen Dank.
18:14
(Applause)
408
1079000
2000
(Applaus)
ABOUT THE SPEAKER
Pawan Sinha - Visual neuroscientistPawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight.
Why you should listen
At Pawan Sinha's MIT lab, he and his team spend their days trying to understand how the brain learns to recognize and use the patterns and scenes we see around us. To do this, they often use computers to model the processes of the human brain, but they also study human subjects, some of whom are seeing the world for the very first time and can tell them about the experience as it happens. They find these unusual subjects through the humanitarian branch of their research, Project Prakash.
Project Prakash sets up eye-care camps in some of the most habitually underserved regions of India, and gives free eye-health screenings to, since 2003, more than 700 functionally blind children. The children are then treated without charge, even if they do not fit the profile that would make them eligible for Sinha's research.
Sinha's eventual goal is to help 500 children each year; plans are under way for a center for visual rehabilitation in new Delhi. The special relationship that Sinha has created between research and humanitarianism promises to deliver on both fronts.
Pawan Sinha | Speaker | TED.com