TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Ο Χένρι Μάκραμ χτίζει έναν εγκέφαλο μέσα σ' έναν υπερυπολογιστή
Filmed:
Readability: 3.8
1,469,354 views
Ο Χένρι Μάκραμ λέει ότι τα μυστήρια του μυαλού μπορούν να λυθούν -- σύντομα. Νοητικές παθήσεις, μνήμη, αντίληψη: όλα συντίθενται από νεύρωνες και ηλεκτρικά σήματα. Ο Χένρι σκοπεύει να τα βρει χρησιμοποιώντας έναν υπερυπολογιστή που δημιουργεί τα μοντέλα όλων των 100.000.000.000.000 συνάψεων του εγκέφαλου.
Henry Markram - Neuroscientist
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Double-click the English transcript below to play the video.
00:18
Our mission is to build
0
0
3000
Ο στόχος μας είναι να φτιάξουμε
00:21
a detailed, realistic
1
3000
2000
ένα λεπτομερές, ρεαλιστικό,
00:23
computer model of the human brain.
2
5000
2000
μοντέλο του ανθρώπινου εγκέφαλου στον υπολογιστή.
00:25
And we've done, in the past four years,
3
7000
3000
Έχουμε καταφέρει μέσα στα τέσσερα χρόνια που πέρασαν
00:28
a proof of concept
4
10000
2000
την απόδειξη της αρχικής ιδέας,
00:30
on a small part of the rodent brain,
5
12000
3000
σε ένα μικρό τμήμα του εγκεφάλου τρωκτικών,
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
και με αυτή την απόδειξη επεκτείνουμε το έργο αυτό έως ότου
00:36
to reach the human brain.
7
18000
3000
φτάσουμε στον ανθρώπινο εγκέφαλο.
00:39
Why are we doing this?
8
21000
2000
Γιατί το κάνουμε αυτό;
00:41
There are three important reasons.
9
23000
2000
Για τρεις σημαντικούς λόγους.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
Πρώτον, είναι απαραίτητο να κατανοήσουμε τον ανθρώπινο εγκέφαλο
00:47
if we do want to get along in society,
11
29000
2000
εάν θέλουμε να συνυπάρχουμε ως κοινωνία,
00:49
and I think that it is a key step in evolution.
12
31000
4000
και νομίζω ότι είναι ένα καίριο βήμα στην εξέλιξη.
00:53
The second reason is,
13
35000
2000
Δεύτερον, δεν μπορούμε να επιτελούμε
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
πειράματα ες αεί σε ζώα,
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
και πρέπει να ενσωματώσουμε όλα τα δεδομένα και τη γνώση μας,
01:05
into a working model.
16
47000
3000
σε ένα μοντέλο που θα λειτουργεί.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
Είναι σαν την κιβωτό του Νώε. Δεν είναι απλά αρχειοθέτηση.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
Και τρίτον, έχουμε πλέον 2 δισεκατομμύρια κόσμο στον πλανήτη
01:15
that are affected by mental disorder,
19
57000
4000
με νοητικές ασθένειες,
01:19
and the drugs that are used today
20
61000
2000
και τα φάρμακα που χρησιμοποιούνται σήμερα
01:21
are largely empirical.
21
63000
2000
είναι κατά βάση εμπειρικά.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Νομίζω ότι μπορούμε να βρούμε πολύ καλές λύσεις
01:26
how to treat disorders.
23
68000
3000
για το πώς να αντιμετωπίσουμε τις διαταραχές.
01:29
Now, even at this stage,
24
71000
3000
Τώρα, ακόμα και σ' αυτό το στάδιο,
01:32
we can use the brain model
25
74000
2000
μπορούμε να χρησιμοποιήσουμε το μοντέλο του εγκεφάλου
01:34
to explore some fundamental questions
26
76000
3000
για να εξερευνήσουμε ορισμένες θεμελιώδεις ερωτήσεις
01:37
about how the brain works.
27
79000
2000
σχετικά με τις λειτουργίες του εγκεφάλου.
01:39
And here, at TED, for the first time,
28
81000
2000
Και εδώ, στο TED, για πρώτη φορά,
01:41
I'd like to share with you how we're addressing
29
83000
2000
θέλω να μοιραστώ μαζί σας πώς διερευνούμε
01:43
one theory -- there are many theories --
30
85000
3000
μια θεωρία -- γιατί υπάρχουν πολλές θεωρίες --
01:46
one theory of how the brain works.
31
88000
4000
μια θεωρία για το πώς λειτουργεί ο εγκέφαλος.
01:50
So, this theory is that the brain
32
92000
4000
Η θεωρία, λοιπόν, είναι ότι ο εγκέφαλος
01:54
creates, builds, a version of the universe,
33
96000
6000
δημιουργεί, δομεί, μια έκδοση του σύμπαντος.
02:00
and projects this version of the universe,
34
102000
3000
Και προωθεί αυτή την έκδοση του σύμπαντος,
02:03
like a bubble, all around us.
35
105000
4000
σαν φούσκα τριγύρω μας.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
Αυτό αποτελεί θέμα φιλοσοφικών διαμαχιών για αιώνες τώρα.
02:11
But, for the first time, we can actually address this,
37
113000
3000
Αλλά, για πρώτη φορά, μπορούμε να το διερευνήσουμε,
02:14
with brain simulation,
38
116000
2000
με διέγερση του εγκεφάλου
02:16
and ask very systematic and rigorous questions,
39
118000
4000
και να ρωτήσουμε πολύ συστηματικές και αυστηρές ερωτήσεις,
02:20
whether this theory could possibly be true.
40
122000
4000
για το εάν αυτή η θεωρία μπορεί να είναι αληθινή.
02:24
The reason why the moon is huge on the horizon
41
126000
3000
Ο λόγος γιατί το φεγγάρι είναι τεράστιο στον ορίζονα
02:27
is simply because our perceptual bubble
42
129000
3000
είναι απλά ότι η φούσκα της αντίληψής μας
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
δεν επεκτείνεται σε 380 χιλιάδες χιλιόμετρα.
02:34
It runs out of space.
44
136000
2000
Δεν έχει τόσο χώρο.
02:36
And so what we do is we compare the buildings
45
138000
4000
Και γιαυτό πρέπει κι εμείς να συγκρίνουμε τα κτίρια
02:40
within our perceptual bubble,
46
142000
2000
μέσα στο πεδίο αυτής της φούσκας της αντίληψής μας,
02:42
and we make a decision.
47
144000
2000
και παίρνουμε αποφάσεις.
02:44
We make a decision it's that big,
48
146000
2000
Αποφασίζουμε αν κάτι είναι μεγάλο,
02:46
even though it's not that big.
49
148000
2000
ακόμα κι αν δεν είναι τόσο μεγάλο,
02:48
And what that illustrates
50
150000
2000
και αυτό μας δείχνει ότι
02:50
is that decisions are the key things
51
152000
2000
οι αποφάσεις είναι το καίριο σημείο
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
που υποστηρίζει αυτή τη φούσκα της αντίληψής μας. Την κρατάει ζωντανή.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Χωρίς αποφάσεις δεν μπορείτε να δείτε, δεν μπορείτε να σκεφτείτε,
02:59
you cannot feel.
54
161000
2000
δεν μπορείτε να αισθανθείτε.
03:01
And you may think that anesthetics work
55
163000
2000
Και μπορεί να νομίζετε ότι τ' αναισθητικά λειτουργούν
03:03
by sending you into some deep sleep,
56
165000
3000
στέλνοντάς σας σε ένα βαθύ ύπνο,
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
ή μπλοκάροντας τους δέκτες σας ώστε να μην νιώθετε πόνο,
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
αλλά στην πραγματικότητα τα περισσότερα αναισθητικά δεν λειτουργούν έτσι.
03:12
What they do is they introduce a noise
59
174000
3000
Αυτό που κάνουν είναι να εισαγάγουν έναν «θόρυβο»
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
στον εγκέφαλο ώστε οι νευρώνες δεν μπορούν να καταλάβουν ο ένας τον άλλον.
03:18
They are confused,
61
180000
2000
Μπερδεύονται,
03:20
and you cannot make a decision.
62
182000
3000
και δεν μπορείτε έτσι να καταλήξετε σε μια απόφαση.
03:23
So, while you're trying to make up your mind
63
185000
3000
Έτσι λοιπόν, ενώ προσπαθείτε ν' αποφασίσετε,
03:26
what the doctor, the surgeon, is doing
64
188000
2000
τι κάνει ο γιατρός ή ο χειρουργός
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
ενώ εγχειρίζεστε, εκείνος έχει ήδη τελειώσει.
03:30
He's at home having tea.
66
192000
2000
Είναι ήδη σπίτι και πίνει τσάι.
03:32
(Laughter)
67
194000
2000
(Γέλια)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
Έτσι λοιπόν, όταν φτάνετε σε μια πόρτα και την ανοίγετε,
03:37
what you compulsively have to do to perceive
69
199000
3000
αυτό που καταναγκαστικά πρέπει να αντιληφθείτε
03:40
is to make decisions,
70
202000
2000
είναι ν' αποφασίσετε,
03:42
thousands of decisions about the size of the room,
71
204000
3000
να πάρετε χιλιάδες αποφάσεις σχετικά με το μέγεθος του δωματίου,
03:45
the walls, the height, the objects in this room.
72
207000
3000
τον τοίχο, το ύψος του, τ' αντικείμενα στο δωμάτιο αυτό.
03:48
99 percent of what you see
73
210000
3000
Το 99 τοις εκατό όσων βλέπετε
03:51
is not what comes in through the eyes.
74
213000
4000
δεν το αντιλαμβάνεστε μέσα από τα μάτια.
03:55
It is what you infer about that room.
75
217000
4000
Είναι αυτά που συνάγετε για το δωμάτιο αυτό.
03:59
So I can say, with some certainty,
76
221000
4000
Άρα μπορώ με αρκετή βεβαιότητα να πω
04:03
"I think, therefore I am."
77
225000
3000
«Σκέφτομαι, άρα υπάρχω.»
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
Αλλά δεν μπορώ να πώ, «Σκέφτεσαι, άρα υπάρχεις.»
04:10
because "you" are within my perceptual bubble.
79
232000
5000
γιατί «εσύ» είσαι μέσα σ΄ αυτή τη φούσκα της αντίληψής μου.
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Θα μπορούσαμε να εικάσουμε και να φιλοσοφήσουμε πάνω σ' αυτό,
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
αλλά αυτό δεν χρειάζεται για τα επόμενα εκατό χρόνια.
04:21
We can ask a very concrete question.
82
243000
2000
Μπορούμε να ρωτήσουμε μια θεμελιώδη ερώτηση μόνο.
04:23
"Can the brain build such a perception?"
83
245000
4000
«Μπορεί ο εγκέφαλος να δομήσει μια τέτοια αντίληψη;»
04:27
Is it capable of doing it?
84
249000
2000
Έχει αυτή τη δυνατότητα;
04:29
Does it have the substance to do it?
85
251000
2000
Έχει την υποδομή για κάτι τέτοιο;
04:31
And that's what I'm going to describe to you today.
86
253000
3000
Και αυτό ακριβώς θα σας περιγράψω σήμερα.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Πέρασαν 11 δισεκατομμύρια χρόνια για να χτίσει το σύμπαν τον εγκέφαλο.
04:38
It had to improve it a little bit.
88
260000
2000
Έπρεπε να τον εξελίξει λίγο.
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Έπρεπε να προσθέσει το πρόσθιο τμήμα ώστε να έχει ένστικτα,
04:43
because they had to cope on land.
90
265000
3000
γιατί έπρεπε ν' ανταπεξέρθει στην ξηρά.
04:46
But the real big step was the neocortex.
91
268000
4000
Αλλά το πραγματικά μεγάλο βήμα ήταν ο νεόφλοιος.
04:50
It's a new brain. You needed it.
92
272000
2000
Είναι ένας νέος εγκέφαλος. Ήταν αναγκαίος.
04:52
The mammals needed it
93
274000
2000
Τα θηλαστικά τον χρειάζονταν
04:54
because they had to cope with parenthood,
94
276000
4000
γιατί έπρεπε ν' ανταπεξέρθουν με τις γονεϊκές υποχρεώσεις τους,
04:58
social interactions,
95
280000
2000
τις κοινωνικές επαφές τους,
05:00
complex cognitive functions.
96
282000
3000
τις σύνθετες γνωστικές λειτουργίες.
05:03
So, you can think of the neocortex
97
285000
2000
Άρα μπορείτε να θεωρείτε τον νεόφλοιο
05:05
actually as the ultimate solution today,
98
287000
5000
ως την ύψιστη λύση που σήμερα
05:10
of the universe as we know it.
99
292000
3000
προσφέρει το σύμπαν όπως το γνωρίζουμε τώρα.
05:13
It's the pinnacle, it's the final product
100
295000
2000
Είναι η κορυφή, το τελικό προϊόν
05:15
that the universe has produced.
101
297000
4000
που έχει παραγάγει το σύμπαν.
05:19
It was so successful in evolution
102
301000
2000
Ήταν τόσο επιτυχημένο στην εξέλιξη
05:21
that from mouse to man it expanded
103
303000
2000
ώστε από το ποντίκι έως τον άνθρωπο επεκτάθηκε
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
περίπου χίλιες φορές - μιλώντας πάντα για τον αριθμό των νευρώνων,
05:26
to produce this almost frightening
105
308000
3000
ώστε να παραχθεί αυτό το τρομακτικό
05:29
organ, structure.
106
311000
3000
όργανο, η δομή του.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
Και δεν έχει ακόμα σταματήσει την εξελικτική του πορεία.
05:35
In fact, the neocortex in the human brain
108
317000
2000
Στην πραγματικότητα, ο νεόφλοιος στον ανθρώπινο εγκέφαλο
05:37
is evolving at an enormous speed.
109
319000
3000
εξελίσσεται με τρομακτική ταχύτητα.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Εάν μεγεθύνετε την επιφάνεια του νεόφλοιου,
05:42
you discover that it's made up of little modules,
111
324000
3000
θα ανακαλύψετε ότι αποτελείται από μικρές μονάδες,
05:45
G5 processors, like in a computer.
112
327000
2000
επεξεργαστές τύπου G5, όπως οι υπολογιστές.
05:47
But there are about a million of them.
113
329000
3000
Αλλά σε μας φτάνουν στο ένα εκατομμύριο.
05:50
They were so successful in evolution
114
332000
2000
Ήταν τόσο επιτυχής στην εξέλιξη
05:52
that what we did was to duplicate them
115
334000
2000
ώστε αυτό που κάναμε ήταν να τους αντιγράφουμε
05:54
over and over and add more and more of them to the brain
116
336000
2000
συνέχεια και να προσθέτουμε όλο και περισσότερους στον εγκέφαλό μας
05:56
until we ran out of space in the skull.
117
338000
3000
έως ότου δεν υπήρχε πλέον χώρος στο κεφάλι μας.
05:59
And the brain started to fold in on itself,
118
341000
2000
Τότε ο εγκέφαλος άρχισε να αναδιπλώνεται,
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
και γιαυτό ο νεόφλοιος είναι τόσο περίπλοκος.
06:04
We're just packing in columns,
120
346000
2000
Στοιβάζουμε στήλες ώστε να
06:06
so that we'd have more neocortical columns
121
348000
3000
έχουμε ολοένα και περισσότερες στήλες νεόφλοιου
06:09
to perform more complex functions.
122
351000
3000
που θα εκτελούν ολοένα και πιο περίπλοκες λειτουργίες.
06:12
So you can think of the neocortex actually as
123
354000
2000
Μπορείτε να φανταστείτε τον νεόφλοιο στην πραγματικότητα ως
06:14
a massive grand piano,
124
356000
2000
ένα τεράστιο πιάνο, απ' αυτά με την ουρά,
06:16
a million-key grand piano.
125
358000
3000
ένα πιάνο με ένα εκατομμύριο πλήκτρα.
06:19
Each of these neocortical columns
126
361000
2000
Κάθε μία από αυτές τις στήλες νεόφλοιου
06:21
would produce a note.
127
363000
2000
παραγάγουν μια νότα.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Την ερεθίζετε - παραγάγει μια συμφωνία.
06:26
But it's not just a symphony of perception.
129
368000
3000
Αλλά δεν πρόκειται απλά για μια συμφωνία της αντίληψης.
06:29
It's a symphony of your universe, your reality.
130
371000
3000
Είναι μια συμφωνία του σύμπαντός σας, της πραγματικότητάς σας.
06:32
Now, of course it takes years to learn how
131
374000
3000
Τώρα, φυσικά, παίρνει χρόνια να μάθει κανείς
06:35
to master a grand piano with a million keys.
132
377000
3000
πώς να παίζει καλά ένα πιάνο μ' ένα εκατομμύριο πλήκτρα.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
Γιαυτό πρέπει να στέλνει κανείς τα παιδιά του σε καλά σχολεία,
06:40
hopefully eventually to Oxford.
134
382000
2000
και σε πανεπιστήμια όπως αυτό της Οξφόρδης.
06:42
But it's not only education.
135
384000
3000
Αλλά δεν πρόκειται μόνο για εκπαίδευση.
06:45
It's also genetics.
136
387000
2000
Είναι και θέμα γενετικής.
06:47
You may be born lucky,
137
389000
2000
Μπορεί να γεννηθήκατε τυχεροί,
06:49
where you know how to master your neocortical column,
138
391000
4000
ή να ξέρετε πώς να λειτουργείτε στο έπακρο τη στήλη του νεόφλοιού σας,
06:53
and you can play a fantastic symphony.
139
395000
2000
και έτσι παίζετε μια υπέροχη συμφωνία.
06:55
In fact, there is a new theory of autism
140
397000
3000
Στην πραγματικότητα, υπάρχει μια νέα θεωρία για τον αυτισμό
06:58
called the "intense world" theory,
141
400000
2000
που ονομάζεται θεωρία του «έντονου κόσμου»,
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
που προτείνει ότι οι στήλες του νεόφλοιου είναι υπερστήλες.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Έχουν υψηλό βαθμό αντίδρασης, είναι υπερ-ελαστικές,
07:08
and so the autists are probably capable of
144
410000
3000
και γιαυτό τα άτομα με αυτισμό μπορούν να
07:11
building and learning a symphony
145
413000
2000
δομήσουν και να μάθουν μια συμφωνία
07:13
which is unthinkable for us.
146
415000
2000
που δεν μπορούμε καν να τη διανοηθούμε.
07:15
But you can also understand
147
417000
2000
Αλλά μπορείτε να καταλάβετε επίσης ότι
07:17
that if you have a disease
148
419000
2000
εάν μια από αυτές τις στήλες
07:19
within one of these columns,
149
421000
2000
ασθενεί,
07:21
the note is going to be off.
150
423000
2000
η νότα θα είναι παράφωνη.
07:23
The perception, the symphony that you create
151
425000
2000
Η αντίληψη, η συμφωνία που δημιουργείς
07:25
is going to be corrupted,
152
427000
2000
θα είναι παραμορφωμένη
07:27
and you will have symptoms of disease.
153
429000
3000
και θα έχει τα συμπτώματα της ασθένειας.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
Έτσι λοιπόν, ο απώτατος στόχος για τις νευροεπιστήμες
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
είναι να κατανοήσουμε το σχέδιο της στήλης του νεόφλοιου --
07:38
and it's not just for neuroscience;
156
440000
2000
και αυτός ο σκοπός δεν είναι αποκλειστικά για τις νευροεπιστήμες.
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
Ο στόχος είναι, ίσως, να κατανοήσουμε την αντίληψη, να καταλάβουμε την πραγματικότητα,
07:43
and perhaps to even also understand physical reality.
158
445000
4000
και ίσως ακόμα και να κατανοήσουμε την απτή πραγματικότητα.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
Έτσι λοιπόν αυτό που κάναμε, τα τελευταία 15 χρόνια,
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
ήταν να ανατέμνουμε συστηματικά τον νεόφλοιο.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
Είναι σαν να πηγαίνεις σ' ένα τροπικό δάσος και να χαρτογραφείς ένα κομμάτι του.
07:58
How many trees does it have?
162
460000
2000
Πόσα δέντρα έχει;
08:00
What shapes are the trees?
163
462000
2000
Τι σχήματα έχουν τα δέντρα;
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
Πόσα δέντρα έχει από κάθε τύπο; Πού βρίσκονταν;
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
Αλλά είναι κάτι παραπάνω από μια απλή χαρτογράφηση γιατί πρέπει να
08:07
describe and discover all the rules of communication,
166
469000
4000
περιγράψεις και ν' ανακαλύψεις όλους τους κανόνες επικοινωνίας,
08:11
the rules of connectivity,
167
473000
2000
τους κανόνες διασύνδεσης,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
επειδή οι νευρώνες δεν συνδέονται με οποιονδήποτε άλλο νεύρωνα.
08:16
They choose very carefully who they connect with.
169
478000
3000
Επιλέγουν προσεκτικά με ποιον συνδέονται.
08:19
It's also more than cataloging
170
481000
3000
Είναι επίσης κάτι παραπάνω από χαρτογράφηση
08:22
because you actually have to build three-dimensional
171
484000
2000
γιατί πρέπει να δομήσει κανείς ένα τρισδιάστατο
08:24
digital models of them.
172
486000
2000
ψηφιακό μοντέλο.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
Και το κάναμε αυτό για δεκάδες χιλιάδες νεύρωνες,
08:28
built digital models of all the different types
174
490000
3000
δομήσαμε ψηφιακά μοντέλα για κάθε διαφορετικό τύπο
08:31
of neurons we came across.
175
493000
2000
νευρώνων που συναντήσαμε.
08:33
And once you have that, you can actually
176
495000
2000
Και όταν τελειώσει κανείς αυτό τότε μπορεί πραγματικά
08:35
begin to build the neocortical column.
177
497000
4000
να ξεκινήσει τη δόμηση της στήλης του νεόφλοιου.
08:39
And here we're coiling them up.
178
501000
3000
Και εδώ τις δομήσαμε σε σπείρα.
08:42
But as you do this, what you see
179
504000
3000
Αλλά καθώς γίνεται αυτό, θα δείτε
08:45
is that the branches intersect
180
507000
2000
ότι οι διακλαδώσεις διασταυρώνονται
08:47
actually in millions of locations,
181
509000
3000
σε εκατομμύρια θέσεις.
08:50
and at each of these intersections
182
512000
3000
Σε κάθε μία από αυτές τις διακλαδώσεις
08:53
they can form a synapse.
183
515000
2000
φτιάχνουν συνάψεις.
08:55
And a synapse is a chemical location
184
517000
2000
Μια σύναψη είναι μια χημική θέση
08:57
where they communicate with each other.
185
519000
3000
όπου ένας νευρώνας επικοινωνεί με τον άλλο.
09:00
And these synapses together
186
522000
2000
Και αυτές οι συνάψεις μαζί
09:02
form the network
187
524000
2000
δημιουργούν το δίκτυο
09:04
or the circuit of the brain.
188
526000
3000
ή το κύκλωμα του εγκεφάλου.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Αυτό το κύκλωμα θα μπορούσε να νοηθεί ως
09:11
the fabric of the brain.
190
533000
2000
το υλικό υφής του εγκεφάλου.
09:13
And when you think of the fabric of the brain,
191
535000
3000
Όταν λοιπόν σκέφτεστε το υλικό υφής του εγκεφάλου,
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
τη δομή, πώς είναι δομημένη; Ποιο είναι το σχέδιο σ' αυτό το χαλί;
09:20
You realize that this poses
193
542000
2000
Καταλαβαίνετε ότι αυτό θέτει
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
μια θεμελιώδη πρόκληση σε οποιαδήποτε θεωρία για τον εγκέφαλο
09:26
and especially to a theory that says
195
548000
2000
και ειδικότερα σε μια θεωρία που υποστηρίζει
09:28
that there is some reality that emerges
196
550000
2000
ότι υπάρχει μια πραγματικότητα που αναδύεται
09:30
out of this carpet, out of this particular carpet
197
552000
3000
από αυτό το χαλί, από αυτό το συγκεκριμένο χαλί
09:33
with a particular pattern.
198
555000
2000
με ένα συγκεκριμένο σχέδιο.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
Ο λόγος είναι γιατί το πιο σημαντικό μυστικό του εγκέφαλου για τον σχεδιασμό
09:38
is diversity.
200
560000
2000
είναι η ποικιλία.
09:40
Every neuron is different.
201
562000
2000
Κάθε νευρώνας είναι διαφορετικός.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
Είναι το ίδιο όπως στα δάση. Κάθε πεύκο είναι διαφορετικό.
09:44
You may have many different types of trees,
203
566000
2000
Μπορεί να έχει πολλούς διαφορετικούς τύπους δέντρων,
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
αλλά κάθε πεύκο είναι διαφορετικό. Το ίδιο και στον εγκέφαλο.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Έτσι, λοιπόν, δεν υπάρχει ούτε ένας νευρώνας στον εγκέφαλο που να 'ναι ίδιος με άλλον,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
και δεν υπάρχει νεύρωνας στον εγκέφαλό μου που να 'ναι ίδιος με έναν δικό σας.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
Οι νευρώνες σας δεν πρόκειται να προσανατολιστούν και να τοποθετηθούν
09:58
in exactly the same way.
208
580000
2000
με ακριβώς πανομοιότυπο τρόπο.
10:00
And you may have more or less neurons.
209
582000
2000
Μπορεί να έχετε επίσης λιγότερους ή περισσότερους νευρώνες.
10:02
So it's very unlikely
210
584000
2000
Γιαυτό είναι απίθανο
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
να έχετε το ίδιο υλικό υφής, την ίδια δομή κυκλώματος.
10:08
So, how could we possibly create a reality
212
590000
2000
Άρα, πώς θα μπορούσαμε να δημιουργήσουμε μια πραγματικότητα
10:10
that we can even understand each other?
213
592000
3000
μέσα στην οποία θα αλληλοκατανοούμαστε;
10:13
Well, we don't have to speculate.
214
595000
2000
Για αυτό δεν χρειάζεται να κάνουμε υποθέσεις.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Μπορούμε να κοιτάξουμε και στα 10 εκατομμύρια συνάψεις τώρα.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Μπορούμε να κοιτάξουμε το υλικό υφής. Μπορούμε ν' αλλάξουμε νευρώνες.
10:21
We can use different neurons with different variations.
217
603000
2000
Μπορούμε να χρησιμοποιήσουμε διαφορετικούς νευρώνες με διαφορετικές ποικιλίες.
10:23
We can position them in different places,
218
605000
2000
Μπορούμε να τους τοποθετήσουμε σε διαφορετικές θέσεις,
10:25
orient them in different places.
219
607000
2000
να τους προσανατολίσουμε σε διαφορετικές θέσεις.
10:27
We can use less or more of them.
220
609000
2000
Μπορούμε να χρησιμοποιήσουμε περισσότερους ή λιγότερους νευρώνες.
10:29
And when we do that
221
611000
2000
Και όταν το κάναμε αυτό
10:31
what we discovered is that the circuitry does change.
222
613000
3000
ανακαλύψαμε είναι ότι το κύκλωμα όντως αλλάζει.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
Αλλά το σχέδιο τού πώς το κύκλωμα έχει σχεδιαστεί δεν αλλάζει.
10:41
So, the fabric of the brain,
224
623000
2000
Άρα, το υλικό υφής του εγκεφάλου,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
ακόμα κι αν ο εγκέφαλός σας είναι μικρότερος ή μεγαλύτερος
10:45
it may have different types of neurons,
226
627000
3000
μπορεί να έχει διαφορετικούς τύπους νευρώνων,
10:48
different morphologies of neurons,
227
630000
2000
διαφορετικές μορφολογίες νευρώνων,
10:50
we actually do share
228
632000
3000
αλλά στην πραγματικότητα μοιραζόμαστε
10:53
the same fabric.
229
635000
2000
το ίδιο υλικό υφής.
10:55
And we think this is species-specific,
230
637000
2000
Και νομίζουμε ότι αποτελεί ιδιαιτερότητα του είδους μας
10:57
which means that that could explain
231
639000
2000
που σημαίνει ότι αυτό θα μπορούσε να εξηγήσει
10:59
why we can't communicate across species.
232
641000
2000
γιατί δεν μπορούμε να επικοινωνήσουμε με άλλα είδη.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
Ας το ενεργοποιήσουμε λοιπόν. Αλλά για να το κάνουμε αυτό,
11:04
is you have to make this come alive.
234
646000
2000
θα πρέπει να του δώσουμε ζωή.
11:06
We make it come alive
235
648000
2000
Του δίνουμε ζωή
11:08
with equations, a lot of mathematics.
236
650000
2000
με εξισώσεις, με πολλά μαθηματικά.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
Και, στην πραγματικότητα, οι εξισώσεις που μετατρέπουν τους νευρώνες σε ηλεκτρικές γεννήτριες
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
ανακαλύφθηκαν από δύο νικητές του Νόμπελ από το Κέμπριτζ.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Άρα έχουμε τη μαθηματική ικανότητα να φέρουμε στη ζωή τους νευρώνες.
11:20
We also have the mathematics to describe
240
662000
2000
Έχουμε επίσης και τη μαθηματική ικανότητα να περιγράψουμε
11:22
how neurons collect information,
241
664000
3000
πώς οι νευρώνες συλλέγουν τις πληροφορίες
11:25
and how they create a little lightning bolt
242
667000
3000
και πώς δημιουργούν ένα μικρό κεραυνό
11:28
to communicate with each other.
243
670000
2000
ώστε να επικοινωνούν μεταξύ τους.
11:30
And when they get to the synapse,
244
672000
2000
Και όταν φτάνουν στη σύναψη,
11:32
what they do is they effectively,
245
674000
2000
αυτό που κάνουν είναι να κάνουν
11:34
literally, shock the synapse.
246
676000
3000
αποτελεσματικά ένα σοκ στη σύναψη.
11:37
It's like electrical shock
247
679000
2000
Είναι σαν ένα ηλεκτροσόκ
11:39
that releases the chemicals from these synapses.
248
681000
3000
που απελευθερώνει τα χημικά από αυτές τις συνάψεις.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
Και έχουμε τη μαθηματική ικανότητα να περιγράψουμε αυτή τη διαδικασία.
11:45
So we can describe the communication between the neurons.
250
687000
4000
Άρα μπορούμε να περιγράψουμε την επικοινωνία ανάμεσα στους νευρώνες.
11:49
There literally are only a handful
251
691000
3000
Υπάρχουν στην πραγματικότητα λίγες
11:52
of equations that you need to simulate
252
694000
2000
εξισώσεις που χρειάζονται για την εξομοίωση
11:54
the activity of the neocortex.
253
696000
2000
της δραστηριότητας του νεόφλοιου.
11:56
But what you do need is a very big computer.
254
698000
3000
Αλλά αυτό που χρειάζεται είναι ένας πολύ μεγάλος υπολογιστής.
11:59
And in fact you need one laptop
255
701000
2000
Στην πραγματικότητα χρειάζεται ένα λάπτοπ
12:01
to do all the calculations just for one neuron.
256
703000
3000
για να κάνει όλους τους υπολογισμούς για ένα μόνο νευρώνα.
12:04
So you need 10,000 laptops.
257
706000
2000
Άρα χρειάζονται 10 χιλιάδες λάπτοπ.
12:06
So where do you go? You go to IBM,
258
708000
2000
Πού θα πηγαίναμε για κάτι τέτοιο; Στην ΙΒΜ
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
για να πάρουμε έναν υπερ-υπολογιστή, επειδή εκείνοι ξέρουν πώς να πάρουν
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
10 χιλιάδες λάπτοπ και να τα φτιάξουν στο μέγεθος ενός ψυγείου.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Άρα τώρα έχουμε αυτό τον μεγάλο υπερ-υπολογιστή Blue Gene
12:17
We can load up all the neurons,
262
719000
2000
Μπορούμε να φορτώσουμε όλους τους νευρώνες,
12:19
each one on to its processor,
263
721000
2000
καθένα με τον δικό του επεξεργαστή,
12:21
and fire it up, and see what happens.
264
723000
4000
και να τον ενεργοποιήσουμε για να δούμε τι θα γίνει.
12:25
Take the magic carpet for a ride.
265
727000
3000
Να πάμε βόλτα μ' αυτό το μαγικό χαλί.
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Κι ορίστε πώς το ενεργοποιούμε. Αυτό μας δίνει μια πρώτη ματιά
12:31
of what is happening in your brain
267
733000
2000
στο τι γίνεται στον εγκέφαλό σας
12:33
when there is a stimulation.
268
735000
2000
όταν υπάρχει ερεθισμός.
12:35
It's the first view.
269
737000
2000
Είναι η πρώτη όψη.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Τώρα όταν κοιτάτε για πρώτη φορά, θα σκεφτόσασταν
12:39
"My god. How is reality coming out of that?"
271
741000
5000
«Θεέ μου. Πώς βγαίνει η πραγματικότητα από αυτό;»
12:44
But, in fact, you can start,
272
746000
3000
Αλλά στην πραγματικότητα μπορείτε να ξεκινήσετε
12:47
even though we haven't trained this neocortical column
273
749000
4000
ακόμα και αν δεν έχετε εκπαιδεύσει αυτή τη στήλη νεόφλοιου
12:51
to create a specific reality.
274
753000
2000
για να δημιουργήσει μια συγκεκριμένη πραγματικότητα.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
Αλλά μπορούμε να ρωτήσουμε «Πού είναι τα τριαντάφυλλα;»
12:57
We can ask, "Where is it inside,
276
759000
2000
Μπορούμε να ρωτήσουμε «Πού βρίσκονται μέσα,
12:59
if we stimulate it with a picture?"
277
761000
3000
εάν το ερεθίσουμε με μια εικόνα;»
13:02
Where is it inside the neocortex?
278
764000
2000
Βρίσκεται μέσα στον νεόφλοιο;
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Στο τέλος πρέπει να βρίσκεται εκεί εφόσον το ερεθίσαμε με αυτό.
13:08
So, the way that we can look at that
280
770000
2000
Άρα η μέθοδος με την οποία πρέπει να το δούμε
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
είναι αγνοώντας τους νευρώνες, αγνοώντας τις συνάψεις,
13:13
and look just at the raw electrical activity.
282
775000
2000
και να δούμε την καθαυτό ηλεκτρική δραστηριότητα.
13:15
Because that is what it's creating.
283
777000
2000
Επειδή αυτό είναι τι δημιουργείται.
13:17
It's creating electrical patterns.
284
779000
2000
Δημιουργεί ηλεκτρικά σχέδια.
13:19
So when we did this,
285
781000
2000
Και όταν το κάνουμε αυτό,
13:21
we indeed, for the first time,
286
783000
2000
ίσως για πρώτη φορά,
13:23
saw these ghost-like structures:
287
785000
3000
είδαμε αυτές τις δομές που μοιάζουν με φαντάσματα:
13:26
electrical objects appearing
288
788000
3000
ηλεκτρικά αντικείμενα να εμφανίζονται
13:29
within the neocortical column.
289
791000
3000
μέσα στη στήλη νεόφλοιου.
13:32
And it's these electrical objects
290
794000
3000
Και αυτά τα ηλεκτρικά αντικείμενα
13:35
that are holding all the information about
291
797000
3000
κρατάνε όλες τις πληροφορίες σχετικά
13:38
whatever stimulated it.
292
800000
3000
με το τι τα ερέθισε.
13:41
And then when we zoomed into this,
293
803000
2000
Και όταν το μεγεθύνουμε αυτό,
13:43
it's like a veritable universe.
294
805000
4000
είναι ένα πραγματικό σύμπαν.
13:47
So the next step
295
809000
2000
Άρα το επόμενο βήμα
13:49
is just to take these brain coordinates
296
811000
4000
είναι να πάρουμε αυτές τις συντεταγμένες εγκεφάλου
13:53
and to project them into perceptual space.
297
815000
4000
και να τις προωθήσουμε στον χώρο της αντίληψής μας.
13:57
And if you do that,
298
819000
2000
Και αν το κάνετε αυτό,
13:59
you will be able to step inside
299
821000
2000
θα μπορείτε να μπείτε μέσα
14:01
the reality that is created
300
823000
2000
στην πραγματικότητα που δημιουργήθηκε
14:03
by this machine,
301
825000
2000
από αυτή τη μηχανή,
14:05
by this piece of the brain.
302
827000
3000
από αυτό το κομμάτι του εγκεφάλου.
14:08
So, in summary,
303
830000
2000
Άρα, συνοπτικά,
14:10
I think that the universe may have --
304
832000
2000
νομίζω ότι το σύμπαν μπορεί --
14:12
it's possible --
305
834000
2000
είναι δυνατόν --
14:14
evolved a brain to see itself,
306
836000
3000
να εξέλιξε τον εγκέφαλο για να δεί από μόνο του τον εαυτό του,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
πράγμα που είναι το πρώτο βήμα στην αυτό-συνείδησή του.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Υπάρχουν ακόμα περισσότερα που πρέπει να εξετάσουμε για αυτές τις θεωρίες,
14:24
and to test any other theories.
309
846000
3000
και να εξετάσουμε και άλλες θεωρίες.
14:27
But I hope that you are at least partly convinced
310
849000
3000
Αλλά ελπίζω ότι έχετε ήδη μερικώς πειστεί
14:30
that it is not impossible to build a brain.
311
852000
3000
ότι είναι αδύνατον να χτίσουμε έναν εγκέφαλο.
14:33
We can do it within 10 years,
312
855000
2000
Μπορεί να το κάνουμε μέσα σε 10 χρόνια,
14:35
and if we do succeed,
313
857000
2000
και αν το πετύχουμε,
14:37
we will send to TED, in 10 years,
314
859000
2000
θα στείλουμε στο TED, σε δέκα χρόνια,
14:39
a hologram to talk to you. Thank you.
315
861000
3000
ένα ολόγραμμα να σας μιλήσει. Σας ευχαριστώ.
14:42
(Applause)
316
864000
6000
(Χειροκροτήματα)
ABOUT THE SPEAKER
Henry Markram - NeuroscientistHenry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time.
Why you should listen
In the microscopic, yet-uncharted circuitry of the cortex, Henry Markram is perhaps the most ambitious -- and our most promising -- frontiersman. Backed by the extraordinary power of the IBM Blue Gene supercomputing architecture, which can perform hundreds of trillions of calculations per second, he's using complex models to precisely simulate the neocortical column (and its tens of millions of neural connections) in 3D.
Though the aim of Blue Brain research is mainly biomedical, it has been edging up on some deep, contentious philosophical questions about the mind -- "Can a robot think?" and "Can consciousness be reduced to mechanical components?" -- the consequence of which Markram is well aware: Asked by Seed Magazine what a simulation of a full brain might do, he answered, "Everything. I mean everything" -- with a grin.
Now, with a successful proof-of-concept for simulation in hand (the project's first phase was completed in 2007), Markram is looking toward a future where brains might be modeled even down to the molecular and genetic level. Computing power marching rightward and up along the graph of Moore's Law, Markram is sure to be at the forefront as answers to the mysteries of cognition emerge.
Henry Markram | Speaker | TED.com