TED2003
Jeff Hawkins: How brain science will change computing
جف هاوکینز درخصوص اینکه علوم مغز چگونه رایانش را دگرگون خواهد ساخت.
Filmed:
Readability: 3.2
1,674,773 views
خالق ترئو (Treo) جف هاوکینز ما را ترغیب می‌کند تا نگاهی تازه به مغز بیاندازیم -- تا آنرا نه به عنوان یک پردازشگر سریع، بلکه به عنوان سامانۀ حافظه ببینیم که تجربیات را ذخیره و بازپخش می‌نماید تا به ما کمک کند آنچه را که بعد رخ خواهد داد را، هوشمندانه، پیش‌بینی کنیم.
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio
Double-click the English transcript below to play the video.
00:25
I do two things: I design mobile computers and I study brains.
0
0
3000
من دو کار انجام می‌دهم. رایانه‌های همراه طراحی می‌کنم و مغز را مطالعه می‌کنم.
00:29
And today's talk is about brains and,
1
4000
2000
و صحبت امروز درباره مغز است و،
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
چه خوب، یک جائی آنجاها یک طرفدار مغز دارم.
00:33
(Laughter)
3
8000
2000
(خنده حضار)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
من می‌خواهم، البته اگر تصویر اولم را این بالا داشته باشم،
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
و شما عنوان صحبت من و دو پيوند من را ببينید.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
خوب، چیزی که من می‌خواهم درباره آن صحبت کنم، این است که چرا ما یک نظریه خوب راجع به مغز نداریم،
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
چرا مهم است که ما یک نظریه خوب ايجاد كنيم، و در این مورد چه می‌توانیم بکنیم.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
و من سعی می‌کنم كه همه اینها را در بیست دقیقه انجام بدهم. من دو پيوند دارم.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
بسیاری از شما مرا از روزهای پالم (Palm) و هنداسپرینگ (Hand Spring) می‌شناسید،
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
اما علاوه بر آن، من یک مرکز تحقیق علمی غیرانتفاعی را هم اداره می‌کنم
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
که موئسسه علوم‌اعصاب ردوود (Redwood Neuroscience Institute) در ملنو پارک (Melno Park) است،
00:59
and we study theoretical neuroscience,
12
34000
2000
و ما آنجا نظریه علوم‌اعصاب را مطالعه می‌کنیم،
01:01
and we study how the neocortex works.
13
36000
2000
و نحوه عمل نئوکورتکس (neocortex) را مطالعه می‌کنیم.
01:03
I'm going to talk all about that.
14
38000
2000
من می‌خواهم درباره اينها صحبت کنم.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
یک تصویر درباره زندگی دیگرم، زندگی رایانه‌ایم دارم، و آن اين تصویر است.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
اینها برخی از محصولاتی هستند که من در طی ۲۰ سال گذشته روی آنها کار کرده‌ام،
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
شروعش برمی‌گردد به رایانه‌های همراه خيلی اوليه و برخی از نخستين رايانه‌های صفحه‌تخت (tablet computers)
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
و مانند آنها، و پایانش همین اواخر به ترئو (Treo) میرسد،
01:17
and we're continuing to do this.
19
52000
2000
و ما داریم اینکار را ادامه می‌دهیم.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
و من این کار را کرده‌ام چون واقعا اعتقاد دارم که رایانش همراه (mobile computing)
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
آیندۀ رایانه شخصی است، و من سعی می‌کنم که دنیا را
01:24
a little bit better by working on these things.
22
59000
3000
با کار کردن روی این چیزها، کمی بهتر كنم.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
اما، باید اعتراف کنم، که اين در کل یک اتفاق بود.
01:29
I really didn't want to do any of these products
24
64000
2000
من واقعا نمی‌خواستم هیچ كدام از اینها را بسازم.
01:31
and very early in my career I decided
25
66000
2000
و در همان آغاز کارم تصمیم گرفته بودم
01:33
I was not going to be in the computer industry.
26
68000
3000
که در صنایع رایانه كار نكنم.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
و قبل از اینکه به آن موضوع بپردازیم، بایست این را هم درباره
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
این عکس طرح‌نوشت (graffiti) کوچکی که آنجاست بگويم كه چند روز پیش از روی اينترنت گرفتم.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
بدنبال عکس یک طرح‌نوشت می‌گشتم، کمی زبان نوشتاری،
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
و وب‌سایتی را یافتم که تقدیم به معلمانی شده بود که می‌خواهند اینها را بسازند،
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
میدانید، همان چیزهای نوشتاری که در بالای تخته سیاه‌شان قرار دارد،
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
و آنها به آن نوشته طرح‌نوشت هم اضافه کردند، و من از این بابت متاسفم.
01:52
(Laughter)
33
87000
2000
(خنده حضار)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
خوب، ماجرا از اين قرار بود که، در زمان جوانی، هنگامی که دانشکده مهندسی
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
دانشگاه کورنل (Cornell) را در سال ۱۹۷۹ تمام کردم، تصمیم گرفتم -- رفتم که برای اینتل (Intel) کار کنم و
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
من در صنعت رایانه بودم -- و سه ماه گذشته بود،
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
اما عاشق چیز دیگری شدم، و به خودم گفتم: "من در اینجا شغل غلطی را انتخاب کردم،"
02:10
and I fell in love with brains.
38
105000
3000
و عاشق مغز شدم.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
این یک مغز واقعی نیست. عکس یکی از آنهاست، رسم خطوط آن.
02:16
But I don't remember exactly how it happened,
40
111000
3000
و دقیقا هم یادم نمی‌آید که چگونه این اتفاق افتاد،
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
اما یک چیز را دقیق به خاطر دارم، که خیلی هم در ذهنم قدرتمند بود.
02:22
In September 1979, Scientific American came out
42
117000
3000
در سپتامبر ۱۹۷۹، مجله ساینتیفیک آمریکن (Scientific American)
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
با یک ویژه‌نامه اختصاصی درباره مغز منتشر شد. و خیلی خوب بود.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
یکی از بهترین شماره‌هایش بود که تا بحال چاپ شده است. و آنها در آن مقاله راجع به نورون (سلول عصبی)
02:31
and development and disease and vision and all the things
45
126000
2000
و تکامل و بیماری‌ها و بینایی و همه آن چیزهائی که
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
ممکن است شما بخواهید در مورد مغز بدانید صحبت کردند. واقعا جذاب بود.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
ممکن بود گمان می‌بردید که ما واقعا چیزهای زیادی درباره مغز می‌دانستیم.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
اما آخرین مقاله آن شماره توسط فرانسیس کریک (Francis Crick)، که با دی-ان-ای (DNA) معروف شد، نوشته شده بود.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
امروز، گمان می‌کنم، پنجاهمین سالگرد کشف DNA است.
02:46
And he wrote a story basically saying,
50
141000
2000
و او مقاله‌ای نوشت که اساسا می‌گفت،
02:48
well, this is all well and good, but you know what,
51
143000
3000
خوب، همه اینها خوب و عالی است، اما میدانید[؟]،
02:51
we don't know diddley squat about brains
52
146000
2000
ما پشیزی هم راجع به مغز نمی‌دانیم
02:53
and no one has a clue how these things work,
53
148000
2000
و هیچ‌کسی هم سرنخی در این مورد که اینها چگونه کار می‌کنند ندارد،
02:55
so don't believe what anyone tells you.
54
150000
2000
پس گفته‌های هیچ‌کس را باور نکنيد.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
اين يك نقل قول مستقیم از آن مقاله است، او می‌گوید: "آن چه که فقدانش واضحا مشخص است،"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
او مرد بریتانیایی بسیار باوقاری بود پس، "آنچه که فقدانش واضحا مشخص است
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
چهارچوب گسترده‌ای از ایده‌ها است كه در آن بتوان این رويكرد‌های گوناگون را تفسیر کرد."
03:07
I thought the word framework was great.
58
162000
2000
من فکر کردم که کلمه "چهارچوب" عالی است.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
او نمی‌گويد که ما حتی نظریه‌ای نداریم. او می‌گوید،
03:11
we don't even know how to begin to think about it --
60
166000
2000
ما حتی نمی‌دانیم که چطور شروع به فكر كردن درباره آن بكنيم --
03:13
we don't even have a framework.
61
168000
2000
ما حتی چهارچوبی نداریم.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
ما در دوره پيش از نظریه هستیم اگر می‌خواهید توماس کوهن (Thomas Kuhn) را نقل کنید.
03:18
And so I fell in love with this, and said look,
63
173000
3000
و من عاشق آن شدم، و گفتم ببین،
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
ما همه این دانش راجع به مغز را داریم. چقدر این [موضوع] می‌تواند سخت باشد؟
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
و این چیزی است که میتوانم در طول زندگیم بر رویش کار کنم. من احساس کردم که میتوانم تأثیری بگذارم.
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
و تلاش کردم که از کسب و کار رایانه خارج بشوم، بروم به کسب و کار مغز.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
در آغاز، به دانشگاه ام-آی-تی (MIT) رفتم، آزمایشگاه هوش مصنوعی آنجا بود،
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
و گفتم، خوب، من هم می‌خواهم ماشین‌های هوشمند بسازم،
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
اما راهی که می‌خواهم این کار را بکنم، این است که اول کارکرد مغز را مطالعه کنم.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
و آنها گفتند، اوه، لازم نیست اين کار را بکنی.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
ما فقط رایانه‌ها را برنامه‌ریزی می‌کنیم؛ این تنها کاری است که باید بکنبم.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
و من گفتم، نه، در واقع شما بايد مغزها را مطالعه کنید. آنها گفتند، اوه، می‌دانی،
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
تو اشتباه می‌کنی. و من گفتم، نه، شما اشتباه می‌کنید، و من را نپذیرفتند.
03:48
(Laughter)
74
203000
1000
(خنده حضار)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
ولی كمی دلگیر شدم -- خيلی جوان بودم -- اما دوباره
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
چند سال بعد برگشتم و اینبار در کالیفرنیا، به دانشگاه برکلی (Berkeley) رفتم.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
و با خودم گفتم اين‌بار از سمت زیست‌شناسی وارد می‌شوم.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
و پذیرش گرفتم -- پذیرش دکترای PhD در رشته زیست-فیزیک، همه چیزم خوب بود،
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
حالا من مغزها را مطالعه می‌کردم، و گفتم که می‌خواهم نظريه بخوانم.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
آنها جواب دادند، اوه نه، تو نمی‌توانی نظریه در مورد مغز را مطالعه کنی.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
این کاری نیست که به تو مربوط بشود. برای این موضوع پولی به تو نمی‌دهند.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
و به عنوان دانشجوی دكتری، نمی‌توانی آن كار را بكنی. خوب، گفتم، اوه خدای من.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
خيلی افسرده شدم. با خودم گفتم اما من میتوانم دراین زمینه تاثیرگذار باشم.
04:15
So what I did is I went back in the computer industry
84
230000
3000
پس کاری که کردم این بود که به صنعت رایانه برگشتم.
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
و کفتم، خوب، باید مدتی کار کنم، مشغول باشم.
04:20
That's when I designed all those computer products.
86
235000
3000
و آن موقع بود که همه آن محصولات رایانه‌ای را طراحی کردم.
04:23
(Laughter)
87
238000
1000
(خنده حضار)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
و گفتم این کار را برای چهار سال انجام می‌دهم، یک کم پول در می‌آورم،
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
مثل این که صاحب خانواده شدم، کمی هم بالغ‌تر می‌شوم،
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
و شاید هم حرفه علوم‌اعصاب کمی بالغ‌تر بشود.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
خوب، این کار بیشتر از چهار سال طول کشید. تقریبا ۱۶ سال گذشته است.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
ولی الان دارم این کار را انجام می‌دهم، و برای شما درباره آن می‌گویم.
04:39
So why should we have a good brain theory?
93
254000
3000
خوب چرا باید یک نظریه خوبی راجع به مغز داشته باشیم؟
04:42
Well, there's lots of reasons people do science.
94
257000
3000
خوب، دلایل زیادی وجود دارد که آدم‌ها به علم می‌پردازند.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
یکی از دلايل-- يعنی پایه‌ای‌ترینش -- اين است که آدم‌ها دوست دارند از چيزها سر در بياورند.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
ما کنجکاو هستیم، و می‌رویم بيرون و اطلاعات كسب می‌كنيم، میدانید؟
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
چرا ما مورچه‌ها را مطالعه می‌کنیم؟ خوب، چون جالب است.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
شاید چیز واقعا مفیدی از آن ياد بگيريم، اما علت اينكه دنبالش می‌رويم این است كه موضوع جالب و جذابی است.
04:55
But sometimes, a science has some other attributes
99
270000
2000
اما گاهی اوقات، یک دانش ویژگی‌های دیگری هم دارد
04:57
which makes it really, really interesting.
100
272000
2000
که آن را خيلی، خيلی جالب می‌کند.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
گاهی اوقات یک علم درباره خودمان چیزی می‌گوید،
05:02
it'll tell us who we are.
102
277000
1000
به ما می‌گوید که چه کسی هستیم.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
به ندرت، میدانید، تکامل این کار را کرده و کوپرنیکوس (Copernicus) این کار را کرده،
05:06
where we have a new understanding of who we are.
104
281000
2000
که در آن ما درک جدیدی از آنچه هستیم داريم.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
و از همه اینها که بگذریم، ما همان مغزمان هستیم. مغز من با مغز شما سخن می‌گوید.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
بدن ما ملزومات اضافه است، اما مغز من است که با مغز شما سخن می‌گوید.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
و اگر بخواهیم که دریابیم که چه کسی هستیم و چگونه حس و درک می‌کنیم،
05:18
we really understand what brains are.
108
293000
2000
در واقع درمی‌یابیم که مغز چیست.
05:20
Another thing is sometimes science
109
295000
2000
چیز دیگر این است که گاهی اوقات علم
05:22
leads to really big societal benefits and technologies,
110
297000
2000
موجب منافع اجتماعی عظيم و فن‌آوری‌ها،
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
یا حرفه‌هائی، یا هر چیز دیگری که از آنها بر بیاید می‌شود. و این نیز، [یکی از آن موارد است]،
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
چون هنگامی که درک کنیم که کارکرد مغز چگونه است، ما قادر خواهیم بود
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
ماشین‌های هوشمند بسازیم، و من فکر می‌کنم که در واقع کلا چیز خوبی خواهد بود،
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
و این منافع بسیار عظیمی برای جامعه خواهد داشت،
05:34
just like a fundamental technology.
115
309000
2000
مانند یک فن‌آوری بنیادین.
05:36
So why don't we have a good theory of brains?
116
311000
2000
بنابراین چرا ما نظریه خوبی راجع به مغز نداریم؟
05:38
And people have been working on it for 100 years.
117
313000
3000
در حالی كه انسان‌ها ۱۰۰ سال است که روی این موضوع کار کرده‌اند؟
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
خوب، در ابتدا بیائید نگاهی بیندازیم به اینکه دانش بهنجار چگونه است.
05:43
This is normal science.
119
318000
2000
دانش بهنجار اینگونه است.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
دانش بهنجار، تعادل خوبی است میان نظریه و آزمایشگران.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
و لذا نظریه‌پرداز می‌گوید، خوب، من فکر می‌کنم این چیزی است که دارد اتفاق می‌افتد،
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
و از آن سوی آزمایشگر می‌گوید، نه، شما اشتباه می‌کنید.
05:53
And it goes back and forth, you know?
123
328000
2000
و این تبادل ادامه پیدا می‌کند، میدانید؟
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
در فیزیک این به کار میآید. در زمین‌شناسی به کار میآید، پس اگر این دانش بهنجار است،
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
علوم‌اعصاب چگونه است؟ علوم‌اعصاب اینگونه است.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
ما این کوه داده‌ها را داریم، شامل کالبدشناسی (آناتومی)، تن‌کرد‌شناسی (فیزیولوژی) و رفتار.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
نمی‌توانید تصور کنید که تا چه اندازه جزئیات راجع به مغز می‌دانیم.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
۲۸ هزار نفر در هم‌آیش امسال علوم‌اعصاب شرکت کردند.
06:12
and every one of them is doing research in brains.
129
347000
2000
و تک‌تک آنها روی مغزها تحقيق می‌کنند.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
مقدار زیادی داده. ولی هیچ‌گونه نظریه‌ای نیست. آن جعبه کوچک، فسقلی، در آن بالا هست.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
و نظریه هیچ‌گونه نقش عمده‌ای در علوم‌اعصاب بازی نکرده است.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
و این واقعا موجب شرمندگی است. حالا چرا اینگونه پیش رفته است؟
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
اگر از دانشمندان علوم‌اعصاب بپرسید، چرا وضعیت اینگونه است؟
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
اول آنها به اين اعتراف می‌کنند. ولی اگر از آنها بپرسید، می‌گویند،
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
خوب، علل متنوعی وجود دارد که نظریه مغزی خوبی نداریم.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
بعضی‌ها می‌گویند، خوب، هنوز به اندازه کافی داده نداریم،
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
اطلاعات بیشتر لازم داریم، این همه چیز وجود دارد که هنوز نمی‌دانیم.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
خوب، من الان به شما گفتم که آن قدر داده وجود دارد که دارد از گوش‌هایمان بیرون می‌ریزد.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
ما آن‌قدر اطلاعات داریم كه نمی‌دانیم چگونه شروع کنیم به منظم کردنشان.
06:45
What good is more going to do?
140
380000
2000
[اطلاعات] بیشتر چه کمکی می‌تواند بکند؟
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
شاید خوش اقبال باشیم و یک چیز جادوئی کشف کنیم، ولی من گمان نمیکنم.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
این در واقع فقط نشانه این واقعیت است که ما نظریه نداریم.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
ما به داده‌های بیشتر نیاز نداریم -- ما به يك نظریه خوب نیازمندیم.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
بعضی‌های دیگر می‌گویند، خوب، مغز خیلی پیچیده است،
06:59
it'll take another 50 years.
145
394000
2000
این موضوع ۵۰ سال دیگر طول می‌کشد.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
حتی فکر می‌کنم که کریس (Chris) هم دیروز يک چنين حرفی زد.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
کریس، مطمئن نیستم که دقیقا چه گفتی، اما چیزی شبیه این بود،
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
که خوب، این یکی از پیچیده‌ترین موضوعات جهان است. این درست نیست.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
شما از مغزتان پیچیده‌تر هستید. شما صاحب مغز هستید.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
و نيز، هرچند مغز بسیار پیچیده به نظر میرسد،
07:12
things look complicated until you understand them.
151
407000
3000
اما هرچيزی تا وقتی که آن را نفهمیم پیچیده به نظر میآید.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
و همیشه هم همینطور بوده. بنابراين، تنها چيزی كه می‌توانیم بگوئیم، اين است كه خوب،
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
نئوکورتکس من، که بخش مورد علاقه من در مغز است، ۳۰ میلیارد سلول دارد.
07:22
But, you know what? It's very, very regular.
154
417000
2000
اما میدانید چیست؟ این خيلی، خيلی عادی است.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
در واقع، مثل این است که همان چیز بارها و بارها و بارها تکرار شده.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
به اندازه‌ای که به نظر می‌رسه پیچیده نیست. مساله این نیست.
07:30
Some people say, brains can't understand brains.
157
425000
2000
بعضی‌ها می‌گویند، مغز نمی‌تواند مغز را بفهمد.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
این دیگر خیلی ذن مانند و عرفانی است. هوه. میدانید--
07:35
You know,
159
430000
1000
(خنده حضار)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
می‌تواند جالب باشد. اما چرا؟ منظورم این است، نکته‌تان چیست؟
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
فقط یک مشت سلول است. شما کبد خود را درک می‌کنید.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
آن هم تعداد زیادی سلول دارد، درسته؟
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
بنابراین، میدانید، من فکر نمیکنم چیزی در این باشد.
07:46
And finally, some people say, well, you know,
164
441000
2000
و سرانجام، بعضی‌ها می‌گویند، خوب، میدانید،
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
من احساس نمیکنم که تنها یک مشت سلول باشم، میدانید. من آگاه هستم.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
من این تجربه را دارم، میدانید، من در این جهان هستم.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
من نمی‌توانم تنها یک مشت سلول باشم. ولی، میدانید،
07:56
people used to believe there was a life force to be living,
168
451000
3000
مردم این باور را داشتند که يك نیروی حیاتی برای زنده ماندن لازم است.
07:59
and we now know that's really not true at all.
169
454000
2000
و حالا ما می‌دانیم که این فکر واقعا به هیچ عنوان درست نيست.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
و هیچ شاهدی هم وجود ندارد که این را تائيد كند -- خوب، البته غیر از [گفته‌های] افرادی
08:04
just have disbelief that cells can do what they do.
171
459000
2000
که باور نمی‌كنند که سلول‌ها می‌توانند کار‌هائی را بکنند كه می‌کنند.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
و خوب، اگر بعضی از آدم‌ها داخل این چالش دوگانگی متافیزیکی افتاده‌اند،
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
حتی بعضی از آدم‌های خیلی باهوش، با اين حال ما می‌توانیم همه آن را رد کنیم.
08:12
(Laughter)
174
467000
2000
(خنده حضار)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
خیر، من به شما می‌گویم که چیز دیگری وجود دارد،
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
که واقعا بنیادی است، و آن این است که:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
دلیل دیگری هم برای اینکه چرا یک نظریه خوب مغزی نداریم هست،
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
و آن دليل اين است که ما یک فرض حسی، سرسختی داریم،
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
که غلط است و مانع از آن شده است كه پاسخ را ببينيم.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
چیزی وجود دارد که ما به آن اعتقاد داریم که فقط بديهی است، ولی غلط است.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
حالا، یک تاریخچه‌ای از این [مسائل] در علم وجود دارد و قبل از این که به شما بگویم که آن چیست،
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
کمی به شما در مورد تاريخچه این [مسئله] در علم می‌گویم.
08:38
You look at some other scientific revolutions,
183
493000
2000
شما نگاهی به بعضی از انقلاب‌های علمی دیگر بیندازید،
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
در این مورد، من درباره منظومه شمسی صحبت می‌کنم، از کوپرنیکوس،
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
از تکامل داروینی، و صفحات زمین‌شناسی، که از وگنر(Wegener) است.
08:45
They all have a lot in common with brain science.
186
500000
3000
همه آنها با علوم مغز مشترکات زیادی دارند.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
اولا، همه آنها داده‌های تعریف نشده زیادی داشتند. خیلی زیاد.
08:51
But it got more manageable once they had a theory.
188
506000
3000
اما همه آنها از وقتی كه نظريه‌دار شدند قابل اداره کردن شد.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
بهترین ذهنها گیج شده بودند -- آدم‌های خیلی، خیلی باهوش.
08:57
We're not smarter now than they were then.
190
512000
2000
و ما الان از آنها که در آن زمان بودند باهوشتر نیستیم.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
قثط این گونه است که اندیشیدن به مسائل واقعا دشوار است،
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
اما وقتی به آنها اندیشیدید، درک آن آسان می‌شود.
09:03
My daughters understood these three theories
193
518000
2000
دختران من این سه نظریه را
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
در چهارچوب ساده آن در دورانی که در کودکستان بودند می‌فهمیدند.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
و حالا آن قدر هم سخت نیست، میدانید، این یک سیب است، این یک پرتقال است،
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
میدانید، زمین می‌چرخد، این جور چیزها.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
در نهایت، پاسخ چیز دیگری است که تمام مدت آنجا بوده،
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
ولی ما به آن بی‌اعتنا بودیم به خاطر همين چیز بديهی، و نکته اصلی همين است.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
یک باور حسی، منسجمی بوده که نادرست بوده.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
در مورد منظومه شمسی، این نظر که زمین در حال چرخیدن می‌باشد
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
و اینکه سطح زمین با سرعتی در حدود هزار مایل در ساعت در حرکت می‌باشد،
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
و اینکه زمین با سرعتی حدود یک میلیون مایل در ساعت در منظومه شمسی حرکت می‌کند.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
این دیوانگی است. همه ما می‌دانیم که زمین حرکت نمی‌کند.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
آیا شما سرعت چند هزار مایل در ساعت را حس می‌کنید؟
09:35
Of course not. You know, and someone who said,
205
550000
2000
معلوم است که نه. میدانید، و اگر کسی می‌گفت،
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
خوب، زمین در فضا به دور خود می‌چرخد و [زمین] بسیار عظیم است،
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
او را می‌انداختند زندان، و این کار را آن قدیم‌ها می‌کردند.
09:41
(Laughter)
208
556000
1000
(خنده حضار)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
خوب حسی و بديهی بود. حالا تکامل چطور؟
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
تکامل هم همینطور است. ما به بچه‌هایمان یاد می‌دادیم، که، خوب، انجیل می‌گوید،
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
میدانید، خدا همه گونه‌ها را آفریده، گربه‌ها گربه‌اند، سگ‌ها سگ هستند،
09:50
people are people, plants are plants, they don't change.
212
565000
3000
انسان‌ها انسانند، گیاهان گیاه‌اند، آنها عوض نمی‌شوند.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
نوح آنها را به آن ترتیب سوار کشتی کرد، و، و، و. و میدانید،
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
اگر به تکامل اعتقاد دارید، حقیقت این است که، ما جد مشترکی داریم،
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
و همه ما با گیاهی که در راهرو هم هست جد مشترکی داریم.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
این چیزی است که تکامل به ما می‌گوید. و درست است. یک جوری هم غیرقابل باور است.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
و همین چیز در مورد صفحات زمين، میدانید؟
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
تمام کوه‌ها و قاره‌ها یک جوری
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
روی زمین شناورند، میدانید؟ مثل این است که منطقی نیست.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
حالا آن پیش‌فرض منطقی، ولی نادرستی که،
10:20
that's kept us from understanding brains?
221
595000
2000
جلوی درک ما از مغز را گرفته است چیست؟
10:22
Now I'm going to tell it to you, and it's going to seem obvious that that is correct,
222
597000
2000
حالا به شما می‌گویم، و به نظر بدیهی خواهد آمد که آن درست است،
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
و نکته همین جا است، درست؟ بعدش باید بحثی را پیش بکشم
10:26
why you're incorrect about the other assumption.
224
601000
2000
که چرا آن یکی فرضيه نادرست است.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
نکنه منطقی ولی واضح این است که هوش به نحوی
10:31
is defined by behavior,
226
606000
2000
به وسیله رفتار تعریف می‌شود،
10:33
that we are intelligent because of the way that we do things
227
608000
2000
که ما به خاطر نحوه انجام کارهایمان،
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
و نحوه رفتار هوشمندانه‌مان باهوش هستیم، و من به شما می‌گویم که این نادرست است.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
آن چیزی که هست این است که هوش است با پیش‌بینی تعریف می‌شود.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
و من با شما روی این موضوع در این چند تصویر کار می‌کنم،
10:43
give you an example of what this means. Here's a system.
231
618000
4000
و نمونه‌هائی به شما می‌دهم که این به چه معناست. در اینجا یک سامانه (سیستم) داریم.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
مهندس‌ها دوست دارند که به سامانه‌ها اینگونه نگاه کنند. دانشمندان دوست دارند که به سامانه‌ها اینگونه نگاه کنند.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
آنها می‌گویند، خوب، ما یک چیز درون جعبه داریم، و درون‌رو و برونداد آن را هم داریم.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
آدم‌های [رشته] هوش‌مصنوعی می‌گفتند، خوب، آن چیز درون جعبه یک رایانه قابل برنامه‌ریزی است.
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
چون معادل یک مغز است، و ما به آن مقداری درون‌داد می‌دهیم
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
و آن را وادار می‌کنیم کاری انجام بدهد، رفتاری داشته باشد.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
و آلن تورینگ (Alan Turing) آزمایش تورینگ را تعریف کرد، که در اساس می‌گوید:
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
ما چیزی را هوشمند می‌دانیم كه مثل یک انسان رفتار کند.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
یک معيارِ رفتاریِ از اینکه هوش چیست،
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
و مدت زیادی است كه این در ذهن ما گیر کرده است.
11:12
Reality though, I call it real intelligence.
241
647000
2000
در حقیقت اما، چیزیه که من به آن هوش واقعی می‌گویم.
11:14
Real intelligence is built on something else.
242
649000
2000
هوش واقعی بر مبنای چیز دیگری ساخته شده است.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
ما دنیا را از طریق یک سلسله الگو‌هائی تجربه می‌کنیم، و آنها را ذخیره می‌کنیم،
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
و آنها را بازیابی می‌کنیم. و وقتی آنها را بازیابی می‌کنیم، آنها را
11:23
against reality, and we're making predictions all the time.
245
658000
4000
با واقعیت تطبیق می‌دهیم، و دائما در حال پیش‌بینی هستیم.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
این یک معيار دائمی است. یک معيار دائمی در مورد ما که به نحوی می‌گوید،
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
آیا ما دنیا را می‌فهمیم؟ آیا من پیش‌بینی می‌کنم؟ و غیره.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
شما همگی الان هوشمند هستید، ولی در حال انجام كاری نيستيد.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
شاید دارید خودتان را می‌خارید، یا دماغ‌تان را تمیز می‌کنید،
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
من نمی‌دانم، ولی کاری الان انجام نمی‌دهید،
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
ولی شما هوشمند هستيد، شما می‌فهمید من چه می‌گویم.
11:42
Because you're intelligent and you speak English,
252
677000
2000
چون که شما هوشمند هستید و انگلیسی صحبت می‌کنید،
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
شما میدانید چه کلمه‌ای در پایان این -- (سکوت)
11:45
sentence.
254
680000
2000
«جمله» است.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
این کلمه به ذهن شما آمد، و شما دائما این پیش‌بینی‌ها را انجام می‌دهید.
11:50
And then, what I'm saying is,
256
685000
2000
و پس آنچه که من می‌گویم این است که،
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
این پیش‌بینی دائمی محصول و برونداد نئوکورتکس است.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
و به نحوی، پیش‌بینی منجر به رفتار هوشمندانه می‌شود.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
و اینگونه اتفاق می‌افتد. بیائید با یک مغز غیرهوشمند شروع کنیم.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
خوب من در باره یک مغز غیرهوشمند بحث می‌کنم، ما یک مغز قدیمی را پیدا کردیم،
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
و ما می‌گوئیم که شبیه مغز یک غیر پستاندار است، مثلا یک خزنده،
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
پس من می‌گویم، یک تمساح، ما یک تمساح داریم.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
و این تمساح يكسری حس‌های بسیار پیچیده‌ای دارد.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
چشمان خوب، گوش‌ها، حس لامسه دارد، و غیره
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
يك دهان و يك دماغ. رفتار بسیار پیچیده‌ای دارد.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
می‌تواند فرار کند و پنهان شود. ترس و عاطفه دارد. می‌تواند شما را بخورد، میدانید.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
می‌تواند حمله کند. کلی کار می‌تواند بکند.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
اما ما تمساح را خيلی هوشمند نمی‌دانیم، نه به گونه انسانی.
12:32
But it has all this complex behavior already.
269
727000
2000
اما تمساح همه این رفتارهای پیچیده را دارد.
12:34
Now, in evolution, what happened?
270
729000
2000
حال، در تکامل، چه اتفاقی افتاده است؟
12:36
First thing that happened in evolution with mammals,
271
731000
3000
اولین چیزی که در تکامل پستانداران اتفاق افتاد اين بود كه،
12:39
we started to develop a thing called the neocortex.
272
734000
2000
ما شروع كردیم به توسعه چیزی به نام نئوکورتکس.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
و من اینجا این لایه نئوکورتکس را نمایش می‌دهم،
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
به وسیله این جعبه که در بالای مغز قدیمی چسپیده است.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
نئوکورتکس به معنی لایه نوین است. آن لایه نوینی است که در بالای مغز شما قرار گرفته است.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
اگر آن را نمی‌شناسید، آن چیز چروکیده‌ای است که بر روی سر شما قرار گرفته،
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
چروکیده شده چون داخل آنجا چپانده شده و جا نمی‌شود.
12:54
(Laughter)
278
749000
1000
(خنده حضار)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
نه، واقعا، این چیزی است که هست. تقریبا به اندازه یک دستمال رومیزی است.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
و جا نمی‌شود. برای همین همه‌اش چروکیده شده. حالا نگاه کنید چگونه من این را اینجا کشیده‌ام.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
مغز قدیمی هنوز همان‌جا است. هنوز شما آن مغز تمساحی‌تان را دارید.
13:04
You do. It's your emotional brain.
282
759000
2000
داریدش. مغز عاطفی شما است.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
تمام آن چیزها است، تمام آن واکنش‌های اولیه‌ای که دارید.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
و بر فراز آن، ما این سامانه حافظه به نام نئوکورتکس را هم در اختیار داریم.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
و سامانه حافظه بر فراز قسمت حسی مغز نشسته است.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
و لذا همانطور كه درونروهای حسی وارد می‌شوند و از مغز قدیمی تغذيه می‌شوند،
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
و همچنين می‌روند بالا به نئوکورتکس. و نئوکورتکس فقط در حال به خاطر سپردن است.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
آنجا نشسته و می‌گوید، آها، من همه چیزهائی که اتفاق می‌افتند را به خاطر می‌سپارم.
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
جاهائی که بودم، مردمی که دیدم، چیزهائی که شنیدم، و غیره.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
و در آینده، وقتی چیزی مشابه آن را دوباره ببیند،
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
در محیط مشابه، یا در محیط دقیقا یکسان،
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
آن را بازپخش می‌کند. شروع به بازپخش آن می‌کند.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
آها، من قبلا هم اینجا بوده‌ام. و وقتی بار قبل اینجا بودی،
13:40
this happened next. It allows you to predict the future.
294
795000
3000
بعدش این اتفاق افتاد. این به شما اجازه می‌دهد درباره آینده پیش‌بینی کنید.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
به شما اجازه می‌دهد که، واقعا علائم را به مغز بازخوران می‌كند؛
13:47
they'll let you see what's going to happen next,
296
802000
2000
و اینها به شما اجازه می‌دهند که بدانيد بعدش چه اتفاقی می‌افتد.
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
اجازه می‌دهد که کلمه «جمله» را قبل از آنکه من آن را بگویم بشنوید.
13:52
And it's this feeding back into the old brain
298
807000
3000
و این بازخوران به مغز قدیم
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
به شما امکان می‌دهد تا تصمیمات بسیار هوشمندانه‌تری بگیرید.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
این مهم‌ترین تصویر صحبت من است، پس کمی روی آن تاکید می‌کنم.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
و لذا، شما همواره می‌گوئید که، آها، من میتوانم چیزها را پیش‌بینی کنم.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
و اگر شما موش باشید و از یک معمای پر پیچ و خم رد بشوید، و بعد آن معما را ياد می‌گيريد،
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
بار بعدی که در یک معما باشید، رفتار مشابهی خواهید داشت،
14:10
but all of a sudden, you're smarter
304
825000
2000
ولی ناگهان، شما باهوشتر هستید
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
چون شما می‌گوئید، آها، این معما را می‌شناسم، می‌دانم از کدام طرف بروم،
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
قبلا هم اینجا بوده‌ام، من میتوانم آینده را ببینم. و این چیزی است که [مغز] انجام می‌دهد.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
در انسان‌ها -- در ضمن، این موضوع در مورد همه پستانداران صادق است؛
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
برای بقیه پستانداران هم درست است -- و در انسان‌ها، بسیار شدیدتر است.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
در انسان‌ها، در واقع بخش پیشینی نئوکورتکس گسترش يافته است
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
که آن را بخش قدامی نئوکورتکس می‌نامند. و طبیعت نیز کلک کوچکی زد.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
بخش خلفی را، بخش عقب، که بخش حسی است را، یکسان‌سازی کرد
14:32
and put it in the front part.
312
847000
2000
و آن را در بخش جلویی قرار داد.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
و انسان‌ها منحصرا همان کارکرد را در بخش جلویی مغزشان هم دارند،
14:36
but we use it for motor control.
314
851000
2000
اما ما از آن برای تنظیم حرکت استفاده می‌کنیم.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
پس ما حالا قادر هستیم تا طرح حرکات بسیار پیچیده را ایجاد کنیم، و چیزهائی از این قبیل.
14:41
I don't have time to get into all this, but if you want to understand how a brain works,
316
856000
3000
فعلا زمان آن را ندارم تا به همه این بپردازم، اما اگر می‌خواهید بفهميد که مغز چگونه کار می‌کند،
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
ابتدا باید دریابید که نخستین بخش نئوکورتکس پستاندارن چگونه کار می‌کند،
14:47
how it is we store patterns and make predictions.
318
862000
2000
و چگونه ما الگوها را ذخیره می‌کنیم و پیش‌بینی می‌کنیم.
14:49
So let me give you a few examples of predictions.
319
864000
3000
پس بگذارید چند نمونه از پیش‌بینی‌ها را به شما ارائه بدهم.
14:52
I already said the word "sentence." In music,
320
867000
2000
قبلا کلمه «جمله» را گفتم. در موسیقی،
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
اگر قبلا آهنگی را شنیده باشید، اگر شنیده باشید که جیل (Jill) قبلا آن آوازها را خوانده باشد،
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
وقتی او آن آوازها می‌خواند، نت بعدی بلافاصله به ذهنتان میآید --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
شما همانطور که می‌شنوید پیش‌بینی می‌کنید. اگر یک آلبوم موسيقی بود،
15:02
the end of one album, the next song pops into your head.
324
877000
3000
در پایان آلبوم اول، آهنگ بعدی به ذهنتان میآید.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
و این چیزها همیشه اتفاق می‌افتد. شما این حدس‌ها را می‌زنید.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
من این چیز را دارم که اسم آن آزمایش تفکر تغییر درب است.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
و آزمایش آزمایش تفکر تغییر درب می‌گوید، شما یک درب در خانه دارید،
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
وقتی که اینجا هستید، تغییرش می‌دهم، یک آدمی را داریم،
15:16
back at your house right now, moving the door around,
329
891000
2000
که الان در خانه شماست، و مشغول جا‌به‌جا کردن درب است،
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
و آنها دسته درب را بر می‌دارند و دو اینچ آن را جا‌به‌جا می‌کنند.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
و وقتی که شما امشب به خانه می‌روید، شما دستتان را در می‌آورید،
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
و به سوی دسته درب دراز می‌کنید و متوجه می‌شوید
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
که جای آن غلط است، و می‌گوئید، وای، اتفاقی افتاده است.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
ممکن است ثانیه‌ای طول بکشد تا متوجه بشويد که چه اتفاقی افتاده، اما اتفاقی افتاده است.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
حال من میتوانم حلقه درب را به طریق دیگری تغییر بدهم.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
می‌توانستم بزرگتر یا کوچکترش کنم. میتوانم جنسش را از مفرق به نقره تغییر بدهم،
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
می‌توانستم آن را به یک دسته تغییر بدهم. میتوانم درب خانه‌تان را تغییر بدهم، رنگش کنم،
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
روی آن پنجره بگذارم. میتوانم هزاران تغییر روی درب ایجاد کنم،
15:38
and in the two seconds you take to open your door,
339
913000
2000
و در همان دو ثانیه‌ای که طول می‌کشد تا درب را باز کنید،
15:40
you're going to notice that something has changed.
340
915000
3000
شما پی خواهید برد که اینجا چیزی تغییر کرده است.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
حال، رویکرد مهندسی به این، رویکرد هوش مصنوعی به این،
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
ساخت پایگاه داده درب است. تمام ویژگی‌های درب را داراست.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
و هنگامی که به درب می‌رسید، میدانید، تمام ویژگی‌ها را تک‌تک بررسی می‌کند.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
درب، درب، درب، میدانید، رنگ، میدانید که چه می‌گویم.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
ما آن کار را نمی‌کنیم. مغز شما آن کار را نمی‌کند.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
آنچه مغز شما انجام می‌دهد این است که همواره به طور دائم مشغول پیش‌بینی کردن
15:57
about what is going to happen in your environment.
347
932000
2000
در مورد این است که در محیط اطراف شما چه اتفاقاتی خواهد افتاد.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
در حالی که دستم را روی این میز می‌گذارم، انتظار دارم حس کنم که آن متوقف شده.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
هنگام راه رفتن، در هر گام، اگر یک هشتم اینچ اشتباه شود،
16:05
I'll know something has changed.
350
940000
2000
می‌فهمم چیزی تغییر کرده.
16:07
You're constantly making predictions about your environment.
351
942000
2000
شما همواره در حال پیش‌بینی کردن محیط هستید.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
به طور مختصر راجع به بینائی صحبت می‌کنم. این تصویر یک زن است.
16:12
And when you look at people, your eyes are caught
353
947000
2000
هنگامی که به انسان‌ها نگاه می‌کنید، چشمانتان خیره می‌شوند
16:14
over at two to three times a second.
354
949000
1000
برای دو یا سه بار در ثانیه.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
شما به این آگاه نیستید، اما چشمانتان همواره در حال حرکت هستند.
16:17
And so when you look at someone's face,
356
952000
2000
و پس وقتی به چهره کسی نگاه می‌کنید،
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
شما بطور معمول از چشم به چشم به چشم به دماغ به دهان می‌روید.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
حالا، هنگامی که چشمتان از چشم به چشم حرکت می‌کند،
16:23
if there was something else there like, a nose,
359
958000
2000
اگر چیز دیگری آنجا باشد مثلا، یک دماغ،
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
و شما در جائی که قرار است چشم باشد دماغ را ببینید،
16:27
and you'd go, oh shit, you know --
361
962000
3000
و شما می‌گوئید، ای وای، میدانید--
16:30
(Laughter)
362
965000
1000
(خنده حضار)
16:31
There's something wrong about this person.
363
966000
2000
این آدم یک چیزش اشتباه است.
16:33
And that's because you're making a prediction.
364
968000
2000
و این به آن دلیل است که شما دارید یک پیش‌بینی می‌کنید.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
مثلا این جور نیست که شما نگاه کنید و بگوئید، من الان چه دارم می‌بینم؟
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
یک بینی، که درست است. نه، شما انتظاری از آنچه که خواهید دید دارید.
16:40
(Laughter)
367
975000
1000
(خنده حضار)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
در هر لحظه. و در پایان، به این بی‌اندیشیم که چطور ما هوشمندی را می‌سنجيم.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
ما با پیش‌بینی آن را می‌سنجیم. لغت بعدی در اینجا چیست، میدانید؟
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
این به این مانند آن به آن. عدد بعدی این جمله چیست؟
16:51
Here's three visions of an object.
371
986000
2000
این سه نما از یک شی است.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
نمای چهارم آن چیست؟ این است نحوه سنجش ما. همه‌اش راجع به پیش‌بینی است.
16:57
So what is the recipe for brain theory?
373
992000
3000
پس راه‌کار برای نظریه مغز چیست؟
17:00
First of all, we have to have the right framework.
374
995000
3000
اول از همه، ما باید چهارچوب درستی داشته باشیم.
17:03
And the framework is a memory framework,
375
998000
2000
و این چهارچوب یک چهارچوب حافظه است،
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
نه یک چهارچوب محاسباتی یا رفتاری. این یک چهار چوب حافظه است.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
چطور شما این مراحل یا الگوها را ذخیره و یا فراخوانی می‌کنید؟ اینها الگوهای فضائی-زمانی هستند.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
سپس، اگر در آن چهارچوب، یک تعدادی نظریه‌پرداز را بگیرید.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
حالا زیست‌شناسان کلا نظریه‌پردازان خوبی نیستند.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
این همیشه درست نیست، ولی کلا، تاریخچه خوبی از نطریه در زیست‌شناسی موجود نیست.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
پس من به این نتیجه رسیده‌ام که بهترین آدم‌های برای این کار فیزیک‌دان‌ها هستند،
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
مهندس‌ها و ریاضی‌دان‌ها، که گرایش به تفکر الگوریتمی دارند.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
آنها باید کالبدشناسی یاد بگیرند، و آنها باید تن‌کرد‌شناسی یاد بگیرند.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
این نظریه‌ها باید خیلی واقع‌گرایانه از دیدگاه کالبدشناسی تولید شوند.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
هر کسی که بلند شود و به شما نظریه خودش را در مورد نحوه کارکرد مغز بگوید
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
و به شما نگوید که آن دقیقا چگونه در مغز کار می‌کند
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
و چگونه مدار آن در مغز کار می‌کند، آن یک نظریه نیست.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
و این کاری است که ما در موئسسه علوم‌اعصاب ردوود به آن مشغول هستیم.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
من دوست داشتم که وقت بیشتری می‌داشتم که به شما بگویم که ما پیش‌رفت خارق‌العاده‌ای در این زمینه داشته‌ایم،
17:48
and I expect to be back up on this stage,
390
1043000
2000
و من انتظار دارم که مجددا به روی این صحنه بيایم،
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
شاید این در وقت دیگری در آینده نه چندان دور باشد که به شما در مورد آن بگویم.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
من خیلی، خیلی هیجان زده‌‌ام. این اصلا قرار نیست ۵۰ سال طول بکشد.
17:55
So what will brain theory look like?
393
1050000
2000
پس نطریه مغزی چه شکلی خواهد داشت؟
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
اولا، یک نظریه در مورد حافظه خواهد بود.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
نه مانند حافظه رایانه. اصلا مانند حافظه رایانه نیست.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
خیلی، خیلی متفاوت است. و حافطه‌ای است از این
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
الگوهای چند بُعدی، مانند چیزهائی که از چشمتان میآید.
18:07
It's also memory of sequences.
398
1062000
2000
همچنین این یک حافظه متوالی است.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
شما هیچ چیزی را خارج از توالی نمی‌توانید یاد بگیرید.
18:11
A song must be heard in sequence over time,
400
1066000
3000
یک آهنگ باید در یک توالی در طول زمان شنیده شود،
18:14
and you must play it back in sequence over time.
401
1069000
3000
و شما باید آن را در یک توالی در طول زمان بازپخش کنید.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
و این توالی‌ها به صوت مرتبط و خودکار بازیابی می‌شوند، بنابراین اگر من چیزی را ببینم،
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
چیزی را بشنوم، من را به یاد همان چیز می‌اندازد، و بعد به صورت خودکار بازپخش می‌شود.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
این یک بازپخش خودکار است. و پیش‌بینی درونروهای آینده، برونداد مطلوب است.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
و همانطور که گفتم، نظریه باید از لحاظ زیست‌شناختی درست باشد،
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
و باید قابل آزمایش باشد، و شما باید توانائی ساخت آن را داشته باشید.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
اگر آن را نسازید، آن را درک نمی‌کنید. خوب، یک تصویر دیگر داريم.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
این به چه نتیجه‌ای میرسد؟ آیا ما واقعا ماشین‌های هوشمند خواهیم ساخت؟
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
قطعا. و این با چیزی که مردم به آن فکر می‌کنند متفاوت خواهد بود.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
در نظر من، بدون شک این اتفاق خواهد افتاد.
18:47
First of all, it's going to be built up, we're going to build the stuff out of silicon.
411
1102000
4000
اولا، این ساخته خواهد شد، ما این چیزها را از سیلیکون خواهیم ساخت.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
همون فنونی که ما برای ساختن حافظه‌های سیلیکونی رایانه به کار می‌بریم،
18:54
we can use for here.
413
1109000
1000
در اینجا می‌توانیم از آنها استفاده کنیم.
18:55
But they're very different types of memories.
414
1110000
2000
ولی این نوع متفاوتی از حافظه است.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
و ما این حافظه‌ها را به گیرنده‌های حسی وصل می‌کنیم،
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
و این گیرنده‌های حسی داده زنده-حقیقی، و دنیای-حقیقی را تجربه خواهند کرد،
19:02
and these things are going to learn about their environment.
417
1117000
2000
و این چیزها را در مورد محیط‌شان یاد خواهند گرفت.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
حالا احتمالش خیلی کم خواهد بود که چیزهای اولیه‌ای که می‌بینید مانند آدم مصنوعی (روبوت) باشند.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
نه اينكه آدم مصنوعی‌ها مفید نیستند و انسان‌ها می‌توانند آدم مصنوعی بسازند.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
ولی قسمت علم آدم مصنوعی (روبوتیکس) سخت‌ترین قسمت این است. این مغز قدیمی است. آن واقعا سخت است.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
در واقع مغز جدید تا حدی راحت‌تر از مغز قدیم است.
19:16
So the first thing we're going to do are the things that don't require a lot of robotics.
422
1131000
3000
پس اولین کاری که ما خواهیم کرد چیزهائی خواهد بود که نیاز زیادی به علم آدم مصنوعی نخواهد داشت.
19:19
So you're not going to see C-3PO.
423
1134000
2000
پس شما [آدم مصنوعی] سی-۳-پی-او را نخواهید دید.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
شما بیشتر چیزهائی مانند، میدانید، خودرو هوشمند را خواهید دید
19:23
that really understand what traffic is and what driving is
425
1138000
3000
که واقعا مفهوم ترافیک را درک می‌کنند و اینکه رانندگی چیست
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
و آموخته‌اند که بعضی از خودروها که چراغ راهنمای‌شان برای نیم دقیقه روشن مانده
19:29
probably aren't going to turn, things like that.
427
1144000
2000
احتمالا نخواهند پیچید، و چیزهائی از این قبیل.
19:31
(Laughter)
428
1146000
1000
(خنده حضار)
19:32
We can also do intelligent security systems.
429
1147000
2000
ما همچنین می‌توانیم سامانه‌های امنیتی هوشمند بسازیم.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
هر جائی که اساسا ما از مغزمان استفاده می‌کنیم، ولی خیلی کار حرکتی نمی‌کنیم.
19:38
Those are the things that are going to happen first.
431
1153000
2000
اینها چیزهائی است که اول اتفاق خواهد افتاد.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
ولی در نهایت، در اینجا دنیا محدوده ما است.
19:42
I don't know how this is going to turn out.
433
1157000
2000
من نمی‌دانم این به چه نحوی در خواهد آمد.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
من یک تعداد زیادی از افرادی را که ریزپردازش‌گر (microprocessor) را ساختند را می‌شناسم.
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
و اگر با آنها گفت‌وگو کنید، آنها می‌دانستند کاری که دارند می‌کنند خیلی موثر است،
19:51
but they didn't really know what was going to happen.
436
1166000
3000
ولی واقعا نمی‌دانستند که چه اتفاقی خواهد افتاد.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
آنها نمی‌توانستند پیش‌بینی تلفن همراه و اینترنت و تمام اینگونه چیزها را بکنند.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
آنها فقط مثلا می‌دانستند که، آهای، ما ماشین‌حساب
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
و تنظیم‌گر چراغ راهنمائی می‌سازیم. ولی این عظيم خواهد بود.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
به همون نحو، این مانند علوم مغزی است و این حافظه‌ها
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
یک فن‌آوری بنیادین خواهند بود، و منجر به
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
تغییرات خیلی غیرقابل باوری در ۱۰۰ سال آینده خواهند شد.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
و من بیشترین هیجان را از بابت این دارم که از آنها چگونه در علم استفاده خواهیم کرد.
20:16
So I think that's all my time, I'm over it, and I'm going to end my talk
444
1191000
3000
خوب، فکر می‌کنم زمان من تمام شده است، من آن را تمام كردم، و صحبتم را
20:19
right there.
445
1194000
1000
در همین‌جا به پایان می‌رسانم.
ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcherJeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.
Why you should listen
Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.
Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.
Jeff Hawkins | Speaker | TED.com