TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Henry Markram construye un cerebro en un supercomputador
Filmed:
Readability: 3.8
1,469,354 views
Henry Markram afirma que los misterios de la mente pueden ser resueltos -- pronto. Enfermedades mentales, memoria, percepción: están hechos de neuronas y señales eléctricas, y planea encontrarlas en un supercomputador que modele cada una de las 100.000.000.000 sinapsis del cerebro.
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
Nuestra misión es construir
00:21
a detailed, realistic
1
3000
2000
un modelo detallado y realista
00:23
computer model of the human brain.
2
5000
2000
del cerebro humano en un computador.
00:25
And we've done, in the past four years,
3
7000
3000
Y hemos hecho, en los últimos 4 años,
00:28
a proof of concept
4
10000
2000
una prueba de concepto
00:30
on a small part of the rodent brain,
5
12000
3000
en una pequeña parte del cerebro de un roedor
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
y con esta prueba, estamos incrementando la escala del proyecto
00:36
to reach the human brain.
7
18000
3000
para alcanzar el cerebro humano.
00:39
Why are we doing this?
8
21000
2000
¿Por qué estamos haciendo esto?
00:41
There are three important reasons.
9
23000
2000
Hay 3 razones importantes.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
La primera es: es esencial para nosotros entender el cerebro humano
00:47
if we do want to get along in society,
11
29000
2000
si queremos funcionar en sociedad
00:49
and I think that it is a key step in evolution.
12
31000
4000
y creo que es un paso clave en la evolución.
00:53
The second reason is,
13
35000
2000
La segunda razón es
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
no podemos seguir experimentando en animales por siempre,
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
y tenemos que plasmar todos nuestros datos y todo nuestro conocimiento,
01:05
into a working model.
16
47000
3000
en un modelo que funcione.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
Es como el Arca de Noé. Como un archivo.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
La tercera razón es que hay 2 mil millones de personas en el planeta
01:15
that are affected by mental disorder,
19
57000
4000
afectadas por desórdenes mentales,
01:19
and the drugs that are used today
20
61000
2000
y los medicamentos que hoy en día se emplean
01:21
are largely empirical.
21
63000
2000
son mayormente de desarrollo empírico.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Creo que podemos crear soluciones muy concretas sobre
01:26
how to treat disorders.
23
68000
3000
cómo tratar dichos desórdenes.
01:29
Now, even at this stage,
24
71000
3000
Ahora bien, incluso en esta etapa,
01:32
we can use the brain model
25
74000
2000
podemos usar el modelo del cerebro
01:34
to explore some fundamental questions
26
76000
3000
para explorar algunas interrogantes fundamentales
01:37
about how the brain works.
27
79000
2000
sobre cómo funciona el cerebro.
01:39
And here, at TED, for the first time,
28
81000
2000
Y aquí, en TED, por primera vez,
01:41
I'd like to share with you how we're addressing
29
83000
2000
me gustaría compartir con ustedes cómo estamos abordando
01:43
one theory -- there are many theories --
30
85000
3000
una teoría, hay muchas teorías,
01:46
one theory of how the brain works.
31
88000
4000
una teoría de cómo funciona el cerebro.
01:50
So, this theory is that the brain
32
92000
4000
Bien, ésta teoría dice que el cerebro,
01:54
creates, builds, a version of the universe,
33
96000
6000
crea, construye, una versión del universo.
02:00
and projects this version of the universe,
34
102000
3000
Y proyecta esta versión del universo,
02:03
like a bubble, all around us.
35
105000
4000
como una burbuja, alrededor nuestro.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
Ahora bien, este ha sido por supuesto un tema de debate filosófico durante siglos.
02:11
But, for the first time, we can actually address this,
37
113000
3000
Pero, por primera vez, podemos realmente abordarlo,
02:14
with brain simulation,
38
116000
2000
con una simulación del cerebro,
02:16
and ask very systematic and rigorous questions,
39
118000
4000
y plantearnos preguntas muy sistemáticas y rigurosas,
02:20
whether this theory could possibly be true.
40
122000
4000
sobre si esta teoría podría ser cierta.
02:24
The reason why the moon is huge on the horizon
41
126000
3000
La razón por la que la luna es enorme en el horizonte
02:27
is simply because our perceptual bubble
42
129000
3000
es simplemente porque nuestra burbuja perceptiva
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
no se estira 380.000 kilómetros.
02:34
It runs out of space.
44
136000
2000
Se queda sin espacio.
02:36
And so what we do is we compare the buildings
45
138000
4000
Así que lo que hacemos es comparar los edificios
02:40
within our perceptual bubble,
46
142000
2000
dentro de nuestra burbuja perceptiva
02:42
and we make a decision.
47
144000
2000
y tomamos una decisión
02:44
We make a decision it's that big,
48
146000
2000
Decidimos que es, así de grande,
02:46
even though it's not that big.
49
148000
2000
aunque no sea, tan grande
02:48
And what that illustrates
50
150000
2000
y lo que esto ilustra
02:50
is that decisions are the key things
51
152000
2000
es que las decisiones son elementos clave
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
que mantienen nuestra burbuja perceptiva. La mantiene viva.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Sin decisiones no puedes ver, no puedes pensar,
02:59
you cannot feel.
54
161000
2000
no puedes sentir.
03:01
And you may think that anesthetics work
55
163000
2000
Y pueden pensar que los sedantes funcionan
03:03
by sending you into some deep sleep,
56
165000
3000
al inducir un sueño profundo
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
o bloqueando tus receptores para que no sientas dolor,
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
pero de hecho la mayoría de los sedantes no funcionan así.
03:12
What they do is they introduce a noise
59
174000
3000
Lo que hacen es que introduce un ruido
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
en el cerebro para que las neuronas no se entiendan entre ellas.
03:18
They are confused,
61
180000
2000
Están confundidas,
03:20
and you cannot make a decision.
62
182000
3000
y no puedes tomar una decisión.
03:23
So, while you're trying to make up your mind
63
185000
3000
Así que, mientras tratas de entender lo que sucede
03:26
what the doctor, the surgeon, is doing
64
188000
2000
con respecto a lo que el doctor, el cirujano te está haciendo
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
mientras está cortando en tu cuerpo, él hace rato que se ha ido.
03:30
He's at home having tea.
66
192000
2000
Está ya en casa tomando té.
03:32
(Laughter)
67
194000
2000
(Risas)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
cuando caminas hacia la puerta y la abres,
03:37
what you compulsively have to do to perceive
69
199000
3000
lo que compulsivamente tienes que hacer para percibir
03:40
is to make decisions,
70
202000
2000
es tomar decisiones,
03:42
thousands of decisions about the size of the room,
71
204000
3000
miles de decisiones sobre el tamaño de la habitación,
03:45
the walls, the height, the objects in this room.
72
207000
3000
la pared, la altura, los objetos en la habitación.
03:48
99 percent of what you see
73
210000
3000
El 99% de lo que ves
03:51
is not what comes in through the eyes.
74
213000
4000
no es lo que entra por los ojos.
03:55
It is what you infer about that room.
75
217000
4000
Es lo que infieres sobre la habitación.
03:59
So I can say, with some certainty,
76
221000
4000
Por lo tanto, puedo decir, con cierta seguridad,
04:03
"I think, therefore I am."
77
225000
3000
"Pienso, luego existo"
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
Pero no puedo decir, "Tú piensas, luego existes",
04:10
because "you" are within my perceptual bubble.
79
232000
5000
porque tú estás dentro de mi burbuja perceptiva.
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Ahora bien, podemos especular y filosofar sobre esto,
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
pero no tenemos realmente que hacerlo durante los próximos 100 años.
04:21
We can ask a very concrete question.
82
243000
2000
Podemos hacernos una pregunta muy concreta:
04:23
"Can the brain build such a perception?"
83
245000
4000
¿Puede el cerebro construir tal percepción?
04:27
Is it capable of doing it?
84
249000
2000
¿Es capaz de hacerlo?
04:29
Does it have the substance to do it?
85
251000
2000
¿Tiene la substancia para hacerlo?
04:31
And that's what I'm going to describe to you today.
86
253000
3000
Y eso es lo que voy a describirles hoy.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Bien, le llevó al universo 11 mil millones de años construir el cerebro.
04:38
It had to improve it a little bit.
88
260000
2000
Tuvo que mejorarlo un poco:
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Tuvo que añadir la parte frontal, para que podamos tener instintos
04:43
because they had to cope on land.
90
265000
3000
para que pudieran arreglárselas en la tierra.
04:46
But the real big step was the neocortex.
91
268000
4000
Pero auténtico gran paso fue el neocórtex.
04:50
It's a new brain. You needed it.
92
272000
2000
Es un cerebro nuevo. Lo necesitas.
04:52
The mammals needed it
93
274000
2000
Los mamíferos lo necesitan
04:54
because they had to cope with parenthood,
94
276000
4000
porque tienen que lidiar con la paternidad,
04:58
social interactions,
95
280000
2000
interacciones sociales,
05:00
complex cognitive functions.
96
282000
3000
y funciones cognitivas complejas.
05:03
So, you can think of the neocortex
97
285000
2000
Así, podemos pensar en el neocórtex
05:05
actually as the ultimate solution today,
98
287000
5000
como la solución definitiva, hoy en día,
05:10
of the universe as we know it.
99
292000
3000
del universo como lo conocemos.
05:13
It's the pinnacle, it's the final product
100
295000
2000
Es el pináculo, el producto final
05:15
that the universe has produced.
101
297000
4000
que el universo ha producido.
05:19
It was so successful in evolution
102
301000
2000
Tuvo tanto éxito en la evolución
05:21
that from mouse to man it expanded
103
303000
2000
que de ratón a hombre se ha expandido
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
cerca de 1000 veces en términos del número de neuronas,
05:26
to produce this almost frightening
105
308000
3000
para producir este órgano,
05:29
organ, structure.
106
311000
3000
esta estructura, que casi asusta.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
Y no ha parado en su camino evolutivo.
05:35
In fact, the neocortex in the human brain
108
317000
2000
De hecho, el neocórtex en el cerebro humano
05:37
is evolving at an enormous speed.
109
319000
3000
está evolucionando a una excesiva velocidad.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Si hacemos un acercamiento a la superficie del neocórtex,
05:42
you discover that it's made up of little modules,
111
324000
3000
descubriremos que está hecho de pequeños módulos,
05:45
G5 processors, like in a computer.
112
327000
2000
procesadores G5, como en un computador.
05:47
But there are about a million of them.
113
329000
3000
Pero hay cerca de 1 millón de ellos.
05:50
They were so successful in evolution
114
332000
2000
Han tenido tanto éxito en la evolución
05:52
that what we did was to duplicate them
115
334000
2000
que lo que hemos hecho ha sido duplicarlos
05:54
over and over and add more and more of them to the brain
116
336000
2000
una y otra vez, y añadir más y más al cerebro.
05:56
until we ran out of space in the skull.
117
338000
3000
hasta que nos quedamos sin espacio en el cráneo.
05:59
And the brain started to fold in on itself,
118
341000
2000
Y el cerebro empezó a plegarse sobre sí mismo,
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
y por eso el neocórtex está tan retorcido.
06:04
We're just packing in columns,
120
346000
2000
Estábamos simplemente empaquetando en columnas,
06:06
so that we'd have more neocortical columns
121
348000
3000
para que tuviéramos más columnas neocorticales
06:09
to perform more complex functions.
122
351000
3000
para realizar funciones más complejas.
06:12
So you can think of the neocortex actually as
123
354000
2000
Así que puedes pensar en el neocórtex realmente como
06:14
a massive grand piano,
124
356000
2000
un enorme piano de cola,
06:16
a million-key grand piano.
125
358000
3000
un piano con 1 millón de teclas.
06:19
Each of these neocortical columns
126
361000
2000
Cada una de estas columnas neocorticales
06:21
would produce a note.
127
363000
2000
produciría una nota.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Si lo estimulas, produce una sinfonía.
06:26
But it's not just a symphony of perception.
129
368000
3000
Pero no es sólo una sinfonía de percepción,
06:29
It's a symphony of your universe, your reality.
130
371000
3000
es una sinfonía de tu universo, tu realidad.
06:32
Now, of course it takes years to learn how
131
374000
3000
Ahora bien, desde luego lleva años aprender cómo
06:35
to master a grand piano with a million keys.
132
377000
3000
tocar un piano de cola con un millón de teclas.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
Y es por esto que tienes que mandar a tus hijos a buenas escuelas,
06:40
hopefully eventually to Oxford.
134
382000
2000
y esperemos que finalmente a Oxford.
06:42
But it's not only education.
135
384000
3000
Pero no es sólo educación.
06:45
It's also genetics.
136
387000
2000
También es genética.
06:47
You may be born lucky,
137
389000
2000
Puedes nacer con suerte,
06:49
where you know how to master your neocortical column,
138
391000
4000
o puedes saber cómo dominar tu columna neocortical,
06:53
and you can play a fantastic symphony.
139
395000
2000
y puedes tocar una fantástica sinfonía.
06:55
In fact, there is a new theory of autism
140
397000
3000
De hecho, hay una nueva teoría del autismo
06:58
called the "intense world" theory,
141
400000
2000
llamada "La teoría del mundo intenso",
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
que sugiere que las columnas neocorticales son super-columnas.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Son altamente reactivas, y super-elásticas,
07:08
and so the autists are probably capable of
144
410000
3000
y por eso los autistas son probablemente capaces
07:11
building and learning a symphony
145
413000
2000
de construir y aprender una sinfonía
07:13
which is unthinkable for us.
146
415000
2000
que es impensable para nosotros.
07:15
But you can also understand
147
417000
2000
Pero también puedes entender
07:17
that if you have a disease
148
419000
2000
que si tuvieras una enfermedad
07:19
within one of these columns,
149
421000
2000
dentro de una de estas columnas,
07:21
the note is going to be off.
150
423000
2000
la nota va a estar desafinada.
07:23
The perception, the symphony that you create
151
425000
2000
La percepción, la sinfonía que creas
07:25
is going to be corrupted,
152
427000
2000
va a estar contaminada,
07:27
and you will have symptoms of disease.
153
429000
3000
y tendrás los síntomas de una enfermedad.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
el Santo Grial de la neurociencia
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
es entender el diseño de la columna neocortical
07:38
and it's not just for neuroscience;
156
440000
2000
y no sólo para la neurociencia
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
es quizás el entender la percepción, entender la realidad,
07:43
and perhaps to even also understand physical reality.
158
445000
4000
y quizás incluso entender la realidad física.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
Así que lo que hicimos, durante los últimos 15 años,
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
fue diseccionar el neocórtex, sistemáticamente.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
Es un poco como catalogar una parte de la selva.
07:58
How many trees does it have?
162
460000
2000
¿Cuántos árboles tiene?
08:00
What shapes are the trees?
163
462000
2000
¿Qué formas tienen los árboles?
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
¿Cuántos de cada tipo hay?, ¿Dónde se encuentran colocados?
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
Pero es un poco más que catalogar porque realmente tienes
08:07
describe and discover all the rules of communication,
166
469000
4000
que describir y descubrir todas la reglas de comunicación
08:11
the rules of connectivity,
167
473000
2000
la reglas de la conectividad,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
porque las neuronas no se conectan con cualquier neurona.
08:16
They choose very carefully who they connect with.
169
478000
3000
Eligen con cuidado con quiénes se conectan.
08:19
It's also more than cataloging
170
481000
3000
Es también más que catalogar
08:22
because you actually have to build three-dimensional
171
484000
2000
porque en realidad tienes que construir
08:24
digital models of them.
172
486000
2000
modelos tri-dimensionales digitales de ellos.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
Y lo hicimos para decenas de miles de neuronas,
08:28
built digital models of all the different types
174
490000
3000
construir modelos digitales de diferentes tipos
08:31
of neurons we came across.
175
493000
2000
de neuronas que nos hemos encontrado.
08:33
And once you have that, you can actually
176
495000
2000
Y una vez que tienes eso, puedes realmente
08:35
begin to build the neocortical column.
177
497000
4000
empezar a construir la columna neocortical.
08:39
And here we're coiling them up.
178
501000
3000
Y aquí estamos, enrollándolas.
08:42
But as you do this, what you see
179
504000
3000
Pero según haces esto, lo que ves
08:45
is that the branches intersect
180
507000
2000
es que las ramas se intersectan
08:47
actually in millions of locations,
181
509000
3000
en millones de lugares,
08:50
and at each of these intersections
182
512000
3000
y en cada una de estas intersecciones
08:53
they can form a synapse.
183
515000
2000
pueden formar una sinapsis.
08:55
And a synapse is a chemical location
184
517000
2000
Y una sinapsis es una posición química
08:57
where they communicate with each other.
185
519000
3000
donde se comunican entre sí.
09:00
And these synapses together
186
522000
2000
Y juntas estas sinapsis
09:02
form the network
187
524000
2000
forman la red
09:04
or the circuit of the brain.
188
526000
3000
o el circuito del cerebro.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Ahora bien, el circuito lo puedes pensar como
09:11
the fabric of the brain.
190
533000
2000
el tejido del cerebro.
09:13
And when you think of the fabric of the brain,
191
535000
3000
Y cuando piensas en el tejido del cerebro,
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
la estructura, ¿cómo está construido? ¿Cuál es el patrón de la alfombra?
09:20
You realize that this poses
193
542000
2000
Te das cuenta de que representa
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
un reto fundamental para cualquier teoría del cerebro,
09:26
and especially to a theory that says
195
548000
2000
y especialmente para una teoría que dice
09:28
that there is some reality that emerges
196
550000
2000
que hay una realidad que emerge
09:30
out of this carpet, out of this particular carpet
197
552000
3000
de esa alfombra, de esa alfombra en particular
09:33
with a particular pattern.
198
555000
2000
con un patrón particular.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
La razón es porque el secreto más importante del diseño del cerebro
09:38
is diversity.
200
560000
2000
es la diversidad.
09:40
Every neuron is different.
201
562000
2000
Cada neuronal es diferente.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
Es lo mismo que en el bosque. Cada pino es diferente.
09:44
You may have many different types of trees,
203
566000
2000
Puedes tener muchos tipos diferentes de árboles,
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
pero cada pino es diferente. Y en el cerebro es igual.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Así que no hay una neurona en mi cerebro que sea igual a otra,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
y no hay una neurona en mi cerebro que sea igual en el tuyo.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
Y tus neuronas no van a estar orientadas y colocadas,
09:58
in exactly the same way.
208
580000
2000
exactamente, de la misma manera.
10:00
And you may have more or less neurons.
209
582000
2000
Y puedes tener más o menos neuronas.
10:02
So it's very unlikely
210
584000
2000
Así que es muy poco probable
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
que tengas el mismo tejido, los mismos circuitos.
10:08
So, how could we possibly create a reality
212
590000
2000
Entonces, ¿cómo podríamos crear una realidad
10:10
that we can even understand each other?
213
592000
3000
que incluso podemos entender entre nosotros?
10:13
Well, we don't have to speculate.
214
595000
2000
Bien, no tenemos que especular.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Podemos mirar todas las 10 millones de sinapsis actualmente.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Podemos mirar el tejido. Y podemos cambiar las neuronas.
10:21
We can use different neurons with different variations.
217
603000
2000
Podemos usar diferentes neuronas con diferentes variaciones.
10:23
We can position them in different places,
218
605000
2000
Y podemos colocarlas en diferentes lugares,
10:25
orient them in different places.
219
607000
2000
orientarlas en diferentes lugares.
10:27
We can use less or more of them.
220
609000
2000
Y podemos usar más o menos neuronas.
10:29
And when we do that
221
611000
2000
Y cuando hacemos eso
10:31
what we discovered is that the circuitry does change.
222
613000
3000
lo que descubrimos es que el circuito cambia.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
Pero el patrón de cómo el circuito está diseñado no.
10:41
So, the fabric of the brain,
224
623000
2000
Así, el tejido del cerebro,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
aunque tu cerebro sea pequeño, grande,
10:45
it may have different types of neurons,
226
627000
3000
tenga diferentes tipos de neuronas,
10:48
different morphologies of neurons,
227
630000
2000
diferentes morfologías de neuronas,
10:50
we actually do share
228
632000
3000
realmente compartimos
10:53
the same fabric.
229
635000
2000
el mismo tejido.
10:55
And we think this is species-specific,
230
637000
2000
Y creemos que eso es específico de cada especie,
10:57
which means that that could explain
231
639000
2000
lo que podría explicar
10:59
why we can't communicate across species.
232
641000
2000
el por qué no podemos comunicarnos entre especies.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
Bien, encendámoslo. Pero para hacerlo, lo que tenemos que hacer
11:04
is you have to make this come alive.
234
646000
2000
es que cobre vida.
11:06
We make it come alive
235
648000
2000
Hacemos que cobre vida
11:08
with equations, a lot of mathematics.
236
650000
2000
con ecuaciones, muchas matemáticas.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
Y, de hecho, las ecuaciones que convierten las neuronas en generadores eléctricos
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
fueron descubiertas por dos Premios Nobel de Cambridge.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Así que tenemos las matemáticas que hacen que las neuronas cobren vida.
11:20
We also have the mathematics to describe
240
662000
2000
También tenemos las matemáticas que describen
11:22
how neurons collect information,
241
664000
3000
cómo las neuronas reúnen información,
11:25
and how they create a little lightning bolt
242
667000
3000
y cómo crean un pequeño rayo
11:28
to communicate with each other.
243
670000
2000
para comunicarse entre ellas.
11:30
And when they get to the synapse,
244
672000
2000
Y cuando llegan a la sinapsis,
11:32
what they do is they effectively,
245
674000
2000
lo que hacen es que efectiva y
11:34
literally, shock the synapse.
246
676000
3000
literalmente, conmocionan la sinapsis.
11:37
It's like electrical shock
247
679000
2000
Es como una descarga eléctrica
11:39
that releases the chemicals from these synapses.
248
681000
3000
que libera los elementos químicos de esta sinapsis.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
Y tenemos las matemáticas que describen este proceso.
11:45
So we can describe the communication between the neurons.
250
687000
4000
Así que podemos describir la comunicación entre neuronas.
11:49
There literally are only a handful
251
691000
3000
Hay literalmente sólo un puñado
11:52
of equations that you need to simulate
252
694000
2000
de ecuaciones que se necesitan para simular
11:54
the activity of the neocortex.
253
696000
2000
la actividad del neocórtex.
11:56
But what you do need is a very big computer.
254
698000
3000
Pero lo que sí necesitas es una computadora muy grande.
11:59
And in fact you need one laptop
255
701000
2000
Y de hecho necesitas una laptop
12:01
to do all the calculations just for one neuron.
256
703000
3000
para hacer todos los cálculos para una única neurona.
12:04
So you need 10,000 laptops.
257
706000
2000
Así que necesitas 10.000 laptops.
12:06
So where do you go? You go to IBM,
258
708000
2000
¿A dónde vas entonces? Vas a IBM,
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
y adquieres un supercomputador, porque saben cómo tomar
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
10.000 laptops y meterlos en algo del tamaño de un refrigerador.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Así que ahora tenemos el supercomputador Blue Gene.
12:17
We can load up all the neurons,
262
719000
2000
Podemos cargar todas las neuronas,
12:19
each one on to its processor,
263
721000
2000
cada una en su procesador
12:21
and fire it up, and see what happens.
264
723000
4000
y arrancarlo, y ver qué pasa.
12:25
Take the magic carpet for a ride.
265
727000
3000
Tomen la alfombra mágica para dar una vuelta.
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Aquí lo activamos. Y eso da el primer vistazo fugaz
12:31
of what is happening in your brain
267
733000
2000
de lo que está pasando en tu cerebro
12:33
when there is a stimulation.
268
735000
2000
cuando hay una estimulación.
12:35
It's the first view.
269
737000
2000
Es la primera impresión.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Ahora bien, cuando lo miras por primera vez, piensas,
12:39
"My god. How is reality coming out of that?"
271
741000
5000
"Dios mío. ¿Cómo sale la realidad de eso?"
12:44
But, in fact, you can start,
272
746000
3000
Pero, de hecho, puedes empezar,
12:47
even though we haven't trained this neocortical column
273
749000
4000
aunque no hayas entrenado esta columna neocortical
12:51
to create a specific reality.
274
753000
2000
para crear una realidad específica.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
podemos preguntar, "¿Dónde está la rosa?"
12:57
We can ask, "Where is it inside,
276
759000
2000
Podemos preguntar, "¿Dónde está ahí dentro,
12:59
if we stimulate it with a picture?"
277
761000
3000
si lo estimulamos con una imagen?"
13:02
Where is it inside the neocortex?
278
764000
2000
¿Dónde está dentro del neocórtex?
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Definitivamente tiene que estar ahí si lo estimulamos con ella.
13:08
So, the way that we can look at that
280
770000
2000
Bien, la manera en la que podemos afrontar eso
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
es ignorar las neuronas, ignorar las sinapsis,
13:13
and look just at the raw electrical activity.
282
775000
2000
y mirar sólo a la actividad eléctrica en crudo.
13:15
Because that is what it's creating.
283
777000
2000
Porque eso es lo que está creando.
13:17
It's creating electrical patterns.
284
779000
2000
Está creando patrones eléctricos.
13:19
So when we did this,
285
781000
2000
Así que cuando hicimos esto,
13:21
we indeed, for the first time,
286
783000
2000
de hecho, por primera vez,
13:23
saw these ghost-like structures:
287
785000
3000
vimos estas estructuras fantasmagóricas
13:26
electrical objects appearing
288
788000
3000
objetos eléctricos apareciendo
13:29
within the neocortical column.
289
791000
3000
dentro de la columna neocortical.
13:32
And it's these electrical objects
290
794000
3000
Y son estos objetos eléctricos
13:35
that are holding all the information about
291
797000
3000
los que mantienen toda la información sobre
13:38
whatever stimulated it.
292
800000
3000
lo que fuera que lo estimuló.
13:41
And then when we zoomed into this,
293
803000
2000
Y cuando hicimos un acercamiento a esto,
13:43
it's like a veritable universe.
294
805000
4000
es como un auténtico universo.
13:47
So the next step
295
809000
2000
Así que el siguiente paso
13:49
is just to take these brain coordinates
296
811000
4000
es tomar estas coordenadas cerebrales
13:53
and to project them into perceptual space.
297
815000
4000
y proyectarlas en un espacio perceptivo.
13:57
And if you do that,
298
819000
2000
Y si haces eso,
13:59
you will be able to step inside
299
821000
2000
serás capaz de adentrarte
14:01
the reality that is created
300
823000
2000
en la realidad que ha creado
14:03
by this machine,
301
825000
2000
esta máquina,
14:05
by this piece of the brain.
302
827000
3000
por éste pedazo del cerebro.
14:08
So, in summary,
303
830000
2000
En resumen,
14:10
I think that the universe may have --
304
832000
2000
Creo que el universo puede haber --
14:12
it's possible --
305
834000
2000
es posible --
14:14
evolved a brain to see itself,
306
836000
3000
evolucionado el cerebro para verse a sí mismo,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
que puede ser un primer paso para ser consciente de sí mismo.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Hay mucho por hacer para comprobar estas teorías,
14:24
and to test any other theories.
309
846000
3000
y comprobar cualquier otra teoría.
14:27
But I hope that you are at least partly convinced
310
849000
3000
Pero espero que estén al menos parcialmente convencidos
14:30
that it is not impossible to build a brain.
311
852000
3000
de que no es imposible construir un cerebro.
14:33
We can do it within 10 years,
312
855000
2000
Podemos hacerlo dentro de 10 años,
14:35
and if we do succeed,
313
857000
2000
y si tenemos éxito
14:37
we will send to TED, in 10 years,
314
859000
2000
mandaremos a TED, en 10 años,
14:39
a hologram to talk to you. Thank you.
315
861000
3000
un holograma para que hable con ustedes. Gracias.
14:42
(Applause)
316
864000
6000
(Aplauso)
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