TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen : un ordinateur qui fonctionne comme le cerveau
Filmed:
Readability: 4.2
718,375 views
Le chercheur Kwabena Boaden cherche un moyen de donner les pouvoirs de supercalculateur de notre cerveau au silicone. Car les nombreux processus désorganisés de nos têtes forment un ordinateur petit, léger et surpuissant.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
J'ai eu mon premier ordinateur quand j'étais adolescent et que je grandissais à Accra,
00:23
and it was a really cool device.
1
5000
3000
et c'était vraiment une belle machine.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
On pouvait jouer avec ou le programmer en BASIC
00:31
And I was fascinated.
3
13000
2000
Et j'étais fasciné.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Donc je suis allé à la bibliothèque pour comprendre comment cette chose marchait.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
J'ai lu sur le processeur qui fait constamment aller et venir les données
00:44
between the memory, the RAM and the ALU,
6
26000
4000
entre la memoire, la RAM et l'UAL,
00:48
the arithmetic and logic unit.
7
30000
2000
l'unité arithmétique et logique.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
Et je me suis dit que le processeur devait vraiment travailler comme un fou
00:54
just to keep all this data moving through the system.
9
36000
4000
simplement pour que toutes ces données bougent à travers le système.
00:58
But nobody was really worried about this.
10
40000
3000
Mais personne ne s'inquiétait vraiment de ça.
01:01
When computers were first introduced,
11
43000
2000
Quand les ordinateurs ont commencé à être connus,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
Ils disaient qu'ils étaient un million de fois plus rapide que les neurones.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
Les gens étaient vraiment excités, ils pensaient qu'on allait bientôt dépasser
01:11
the capacity of the brain.
14
53000
3000
les capacités du cerveau.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Une citation d'Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"Dans 30 ans, ce sera aussi facile de poser une question à un ordinateur,
01:21
as to ask a person."
17
63000
2000
que d'en poser une à une personne."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
C'était en 1946. Et maintenant en 2007, ce n'est toujours pas le cas.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Mais pourquoi donc on ne voit pas encore
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
la même puissance dans les ordinateurs que l'on voit dans le cerveau ?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Ce que les gens ne réalisent pas, et que je commence à réaliser maintenant,
01:42
is that we pay a huge price for the speed
22
84000
2000
c'est que nous avons payé le prix fort pour la vitesse,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
que l'on disait être un gros avantage pour ces ordinateurs.
01:48
Let's take a look at some numbers.
24
90000
2000
Regardons ces quelques chiffres.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
C'est Blue Gene, l'ordinateur le plus rapide au monde.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Il a 120 000 coeurs qui peuvent traiter
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 millions de milliards d'information par seconde.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
C'est 10 puissance 16. Et ça consomme un demi mégawatt.
02:09
So that would be really great, if you could add that
29
111000
3000
Donc ça serait vraiment génial, si on pouvait les ajouter
02:12
to the production capacity in Tanzania.
30
114000
2000
à la production électrique de la Tanzanie.
02:14
It would really boost the economy.
31
116000
2000
ça boosterait vraiment l'économie.
02:16
Just to go back to the States,
32
118000
4000
Pour revenir aux U.S.A,
02:20
if you translate the amount of power or electricity
33
122000
2000
si on traduit la quantité d'énergie électrique
02:22
this computer uses to the amount of households in the States,
34
124000
3000
que cet ordinateur utilise en nombre de foyers américains,
02:25
you get 1,200 households in the U.S.
35
127000
4000
ça donne 1 200 ménages,
02:29
That's how much power this computer uses.
36
131000
2000
Voilà pour l'énergie qu'utilise cet ordinateur.
02:31
Now, let's compare this with the brain.
37
133000
3000
Maintenant, comparons le avec le cerveau.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Voici une image du cerveau de la petite amie de Rory Sayres.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory est un étudiant de troisième cycle à Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Il étudie le cerveau par IRM et il prétend
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
que c'est le plus beau cerveau qu'il ait jamais scanné.
02:48
(Laughter)
42
150000
2000
(Rires)
02:50
So that's true love, right there.
43
152000
3000
Ca, c'est vraiment de l'Amour.
02:53
Now, how much computation does the brain do?
44
155000
3000
Alors, à quelle vitesse calcule le cerveau ?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Je l'estime à 10 puissance 16 bits par seconde
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
ce qui est en fait très proche de ce que fait Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
Donc, la vraie question, c'est combien --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
Ils calculent autant, une quantité similaire de donnée --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
La question c'est quelle énergie, combien d'électricité est ce que le cerveau utilise ?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Et en fait, c'est autant que votre ordinateur portable :
03:15
it's just 10 watts.
51
177000
2000
seulement 10 watts.
03:17
So what we are doing right now with computers
52
179000
3000
Donc, ce que nous faisons actuellement avec les ordinateurs
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
avec l'énergie consommée par 1 200 maisons,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
le cerveau le fait avec l'énergie consommée par votre PC portable.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Alors, comment est ce que le cerveau peut être aussi efficace ?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Et laisser moi résumer, voici les faits :
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
le cerveau fonctionne en utilisant 100 000 fois moins d'énergie
03:37
than we do right now with this computer technology that we have.
58
199000
4000
que ce que nous faisons maintenant avec notre technologie informatique.
03:41
How is the brain able to do this?
59
203000
2000
Comment le cerveau peut il faire cela ?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Regardons juste comment le cerveau fonctionne,
03:46
and then I'll compare that with how computers work.
61
208000
4000
et après on va comparer ça à comment les ordinateurs fonctionnent.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Ce clip vient de la série PBS, "La vie secrète du Cerveau".
03:54
It shows you these cells that process information.
63
216000
3000
Qui vous monte ces cellules qui traitent l'information.
03:57
They are called neurons.
64
219000
1000
Ce sont les neurones.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Ils s'envoient des petites impulsions électriques
04:04
and where they contact each other, those little pulses
66
226000
2000
et à l'endroit où ils se touchent, ces petites impulsions
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
électriques peuvent sauter d'un neurone à un autre.
04:08
That process is called a synapse.
68
230000
3000
On appelle ça une synapse.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
On a cet énorme réseau de cellules qui interagissent ensemble,
04:13
about 100 million of them,
70
235000
2000
environ 100 million,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
qui envoient environ 10 million de milliard d'impulsions par seconde.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Et c'est exactement ce qui se passe dans votre cerveau maintenant alors que vous me regardez.
04:25
How does that compare with the way computers work?
73
247000
2000
Comment comparer cela à la façon de travailler des ordinateurs ?
04:27
In the computer, you have all the data
74
249000
2000
Dans l'ordinateur, on a toutes les données
04:29
going through the central processing unit,
75
251000
2000
qui passent par le processeur central,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
et chaque bout de donnée doit absolument passer par ce goulot d'étranglement
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Alors que dans le cerveau, on a ces neurones
04:38
and the data just really flows through a network of connections
78
260000
4000
et les données circulent librement à travers ce réseau de connections
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
parmi les neurones, il n'y a pas de goulot d'étranglement ici.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
C'est vraiment un réseau au sens littéral du terme.
04:48
The net is doing the work in the brain.
81
270000
4000
C'est le réseau qui fait le travail dans un cerveau.
04:52
If you just look at these two pictures,
82
274000
2000
Si vous regardez simplement ces deux images,
04:54
these kind of words pop into your mind.
83
276000
2000
voici les mots qui vous viennent à l'esprit.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
L'ordinateur est séquentiel et rigide, c'est comme des voitures sur l'autoroute --
05:00
everything has to happen in lockstep --
85
282000
3000
tout doit se faire dans un ordre précis.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Alors que le cerveau est asynchrone et fluide.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Le traitement de l'information est dynamique et adaptable.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Et je ne suis pas le premier à le dire. Voici une citation de Brian Eno :
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"Le problème avec les ordinateurs, c'est qu'il n'y a pas assez d'Afrique en eux."
05:16
(Laughter)
90
298000
6000
(Rires)
05:22
Brian actually said this in 1995.
91
304000
3000
En fait, Brian a dit ça en 1995.
05:25
And nobody was listening then,
92
307000
3000
Et personne ne l'écoutait,
05:28
but now people are beginning to listen
93
310000
2000
mais maintenant les gens commencent à écouter
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
car nous sommes confrontés à un problème technologique urgent.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Et je vais vous l'expliquer dans les prochaines diapos.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
C'est -- Il y a vraiment une convergence remarquable
05:44
between the devices that we use to compute in computers,
97
326000
5000
entre les éléments utilisées pour calculer dans les ordinateurs,
05:49
and the devices that our brains use to compute.
98
331000
4000
et les éléments utilisés par notre cerveau pour calculer.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Les éléments de base utilisés par les ordinateurs sont appelés les transistors.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Cette électrode ici, appelée un pont, contrôle le flux de courant
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
de l'entrée à la sortie, ces deux électrodes.
06:04
And that current, electrical current,
102
346000
2000
Et le courant, un courant éléctrique
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
est transporté par des électrons, exactement comme dans votre maison, etc.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Et voici ce qui se passe : quand on active le pont,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
on obtient une augmentation de la quantité de courant, il y a un flux constant de courant.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
Et quand on désactive le pont, le courant ne passe plus.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Votre ordinateur utilise la présence de courant pour réprésenter un un,
06:30
and the absence of current to represent a zero.
108
372000
4000
et l'absence de courant pour représenter un zéro.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Mais maintenant, ce qui se passe, c'est que les transistors sont vraiment de plus en plus petits.
06:40
they no longer behave like this.
110
382000
2000
Ils ne se comportent plus comme ça.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
En fait, Ils commencent à se comporter comme ce que les neurones utilisent pour calculer,
06:47
which is called an ion channel.
112
389000
2000
ce qu'on appelle les canaux ioniques.
06:49
And this is a little protein molecule.
113
391000
2000
Et ça c'est une petite molécule de protéine.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Les neurones en ont des miliers comme ça.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Et ils se trouvent dans la membrane de la cellule, et il y a un pore dedans.
06:59
And these are individual potassium ions
116
401000
3000
Et ça ce sont plusieurs ions potassium,
07:02
that are flowing through that pore.
117
404000
2000
qui passent à travers ce pore.
07:04
Now, this pore can open and close.
118
406000
2000
Et ce pore peut s'ouvrir et se fermer.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Mais, quand c'est ouvert, comme ces ions doivent être alignés
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
et ils circulent un par un, on a un courant irrégulier, pas constant --
07:16
it's a sporadic flow of current.
121
418000
3000
C'est un flux de courant sporadique.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
Et même avec le pore fermé, ce que les neurones peuvent faire
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
Ils ouvrent et ferment ces pores pour générer l'activité électrique --
07:27
even when it's closed, because these ions are so small,
124
429000
3000
et même quand c'est fermé, comme ces ions sont si petits,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
ils peuvent se faufiler à travers, quelques uns peuvent passer.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Et au final, quand un pore est ouvert,
07:36
you get some current sometimes.
127
438000
2000
On a du courant de temps en temps.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Ce sont les "un", mais il y a quelques zéros à l'intérieur.
07:41
And when it's closed, you have a zero,
129
443000
4000
Et quand c'est fermé, vous avez un zéro,
07:45
but you have a few ones thrown in.
130
447000
3000
mais il y a quelques un dedans, OK.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Et maintenant, ça commence à arriver aussi aux transistors.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Et la raison pour laquelle ça arrive, c'est que, en ce moment même en 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
la technologie utilisée, un transistor est assez gros
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
pour que plusieurs électrons puissent couler ensemble à travers le canal, côte à côte.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
En fait, il y a environ 12 électrons qui peuvent traverser en même temps.
08:09
And that means that a transistor corresponds
136
471000
2000
Et cela signifie qu'un transistor correspond
08:11
to about 12 ion channels in parallel.
137
473000
3000
à environ 12 canaux ioniques en parallèle.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Mais dans quelques années, vers 2015, nous allons tellement rétrécir les transistors.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
C'est ce que fait Intel en ajoutant toujours plus de coeurs sur les puces,
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
et nos clés USB actuelles peuvent stocker un gigabyte
08:27
of stuff on them -- before, it was 256.
141
489000
2000
de données. Avant, c'était 256.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Les transistors sont de plus en plus petits pour permettre tout cela,
08:32
and technology has really benefitted from that.
143
494000
3000
et la technologie a vraiment profité de ça.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Mais ce qui se passe, c'est qu'en 2015, les transistors seront devenus tellement petits,
08:40
that it corresponds to only one electron at a time
145
502000
3000
qu'ils ne correspondent qu'à un seul électron à la fois
08:43
can flow through that channel,
146
505000
2000
pouvant traverser ce canal,
08:45
and that corresponds to a single ion channel.
147
507000
2000
et ça correspond à un seul canal ionique.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Et on commence à avoir le même type d'embouteillages que l'on a dans les canaux ioniques,
08:51
The current will turn on and off at random,
149
513000
3000
le courant va s'activer et se désactiver au hasard,
08:54
even when it's supposed to be on.
150
516000
2000
même quand il est censé être activé.
08:56
And that means your computer is going to get
151
518000
2000
Et ça veut dire que votre ordinateur va avoir
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
ses un et ses zéros mixés, et ça va faire planter votre machine.
09:02
So, we are at the stage where we
153
524000
4000
Donc, voilà où nous en sommes.
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
Nous ne savons pas vraiment calculer avec ce genre de matériel.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
Et la seule chose que nous connaissons en ce moment,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
qui peut calculer avec ce matériel, c'est le cerveau.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
OK, donc un ordinateur prend une donnée spécifique dans la mémoire,
09:19
it sends it into the processor or the ALU,
158
541000
3000
l'envoie dans le processeur ou dans l'unité logique,
09:22
and then it puts the result back into memory.
159
544000
2000
et ensuite, il remet le résultat dans la mémoire.
09:24
That's the red path that's highlighted.
160
546000
2000
C'est le chemin rouge qui est surligné.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
La façon de travailler du cerveau, vous avez tous ces neurones.
09:30
And the way they represent information is
162
552000
2000
Et leur façon de représenter l'information est
09:32
they break up that data into little pieces
163
554000
2000
Ils divisent les données en petits morceaux
09:34
that are represented by pulses and different neurons.
164
556000
3000
qui sont représentés par des impulsions et des neurones différents.
09:37
So you have all these pieces of data
165
559000
2000
Donc on a tous ces bouts de donnée
09:39
distributed throughout the network.
166
561000
2000
répartis au sein du réseau.
09:41
And then the way that you process that data to get a result
167
563000
3000
Et puis la façon dont vous travaillez les données pour avoir un résultat
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
c'est que vous traduisez ce modèle d'activité en un nouveau modèle,
09:48
just by it flowing through the network.
169
570000
3000
juste en le faisant passer à travers le réseau.
09:51
So you set up these connections
170
573000
2000
Donc vous fixez ces connections
09:53
such that the input pattern just flows
171
575000
3000
afin que l'influx coule à travers le réseau
09:56
and generates the output pattern.
172
578000
2000
et génère le modèle final.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Ce que vous voyez ici, c'est qu'il y a des connections redondantes.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Donc, si un bout de donnée ou un autre est abîmé,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
ça n'a aucun effet, ces deux parties peuvent activer la partie manquante
10:11
with these redundant connections.
176
593000
2000
grâce à ces connections redondantes.
10:13
So even when you go to these crappy devices
177
595000
2000
Donc même avec un matériel nul
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
avec un zéro alors que l'on veut un un,
10:18
there's redundancy in the network
179
600000
2000
la redondance dans le réseau
10:20
that can actually recover the missing information.
180
602000
3000
permet de retrouver l'information manquante.
10:23
It makes the brain inherently robust.
181
605000
3000
Cela rend le cerveau robuste par nature.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Ce que vous avez ici, c'est un système où les données sont stockées localement.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Et c'est fragile, parce que chacune de ces étapes doit être parfaite,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
ou sinon on perd des données. Alors que dans le cerveau, on a un système
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
qui stocke les données de façon distribuée, et c'est solide.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Ce que je veux partager, c'est mon rêve
10:44
which is to build a computer that works like the brain.
187
626000
3000
qui est de construire un ordinateur qui fonctionne comme le cerveau.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Nous avons travaillé sur le sujet depuis une vingtaine d'années.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Et je vais vous montrer le système que nous avons conçu
10:54
to model the retina,
190
636000
3000
pour modéliser la rétine,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
qui est une partie du cerveau qui tapisse l'intérieur de vos yeux.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Nous ne l'avons pas fait en écrivant du code, comme on fait dans un ordinateur.
11:08
In fact, the processing that happens
193
650000
3000
En fait, le processus qui se déroule
11:11
in that little piece of brain is very similar
194
653000
2000
dans ce morceau de cerveau est très similaire
11:13
to the kind of processing that computers
195
655000
1000
au type de processus que les ordinateurs
11:14
do when they stream video over the Internet.
196
656000
4000
utilisent quand ils font du streaming vidéo sur internet.
11:18
They want to compress the information --
197
660000
1000
Ils veulent compresser l'information --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
Ils veulent envoyer uniquement les changements, ce qui est nouveau dans l'image et le son--
11:23
and that is how your eyeball
199
665000
3000
et c'est la façon dont votre œil
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
peut faire passer toute cette information dans le nerf optique,
11:29
to send to the rest of the brain.
201
671000
2000
pour l'envoyer au reste du cerveau.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Au lieu de faire ça par le logiciel, ou avec ces types d'algorithmes,
11:34
we went and talked to neurobiologists
203
676000
3000
nous sommes allés parler aux neurobiologistes
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
qui ont étudié le fonctionnement de cette partie du cerveau, la rétine.
11:41
And they figured out all the different cells,
205
683000
2000
Et ils ont compris le rôle de chaque cellule,
11:43
and they figured out the network, and we just took that network
206
685000
3000
et ils ont compris le réseau, et nous avons juste pris ce réseau
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
et nous l'avons pris comme modèle pour le design d'une puce en silicone.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Et donc les neurones sont représentés par des petits noeud ou des circuits sur la puce,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
et les connections entre les neurones sont pour l'instant modelées par des transistors.
12:01
And these transistors are behaving essentially
210
703000
2000
Et ces transistors se comportent exactement
12:03
just like ion channels behave in the brain.
211
705000
3000
comme les canaux ioniques dans le cerveau.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Et ça va donner le même type d'architecture que j'ai décris.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Voici à quoi ressemble notre oeil artificiel.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
La puce de rétine que l'on a conçue est derrière la lentille, ici.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Et la puce -- Je vais vous montrer une vidéo
12:22
that the silicon retina put out of its output
216
724000
3000
que la puce de silicone a produit
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
quand elle regardait Kareem Zaghloul,
12:28
who's the student who designed this chip.
218
730000
2000
qui est l'étudiant qui a conçu cette puce.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Laissez moi vous expliquer ce que vous allez voir, d'accord ?
12:32
because it's putting out different kinds of information,
220
734000
3000
Parce que ça mélange différents types d'information
12:35
it's not as straightforward as a camera.
221
737000
2000
et ce n'est pas aussi direct qu'un camera.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
La puce de rétine extrait cinq types d'information différents.
12:40
It extracts regions with dark contrast,
223
742000
3000
Elle extrait les régions avec un contraste foncé,
12:43
which will show up on the video as red.
224
745000
3000
qui sera montré en rouge sur la vidéo.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Et elle extrait les régions avec les contrastes blancs ou clairs,
12:50
which will show up on the video as green.
226
752000
2000
qui seront montrés en vert sur la vidéo.
12:52
This is Kareem's dark eyes
227
754000
2000
Ce sont les yeux foncés de Kareem
12:54
and that's the white background that you see here.
228
756000
3000
et ça, c'est l'arrière plan blanc que vous voyez ici.
12:57
And then it also extracts movement.
229
759000
2000
Et ensuite, ça extrait aussi le mouvement.
12:59
When Kareem moves his head to the right,
230
761000
2000
Quand Kareem bouge sa tête vers la droite,
13:01
you will see this blue activity there;
231
763000
2000
vous allez voir cette activité bleue ici,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
ça représente les régions où le contraste augmente dans l'image,
13:06
that's where it's going from dark to light.
233
768000
3000
c'est là où ça passe du foncé au clair.
13:09
And you also see this yellow activity,
234
771000
2000
Et vous voyez aussi cette activité jaune,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
qui représente les régions où le contraste décroit,
13:15
it's going from light to dark.
236
777000
2000
ça passe du clair au foncé.
13:17
And these four types of information --
237
779000
3000
Et ces cinq types d'information --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
votre nerf optique comporte environ un million de fibres,
13:24
and 900,000 of those fibers
239
786000
3000
et 900 000 de ces fibres
13:27
send these four types of information.
240
789000
2000
envoient ces cinq types d'information.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Donc on a vraiment copié le type de signal que l'on a dans le nerf optique.
13:33
What you notice here is that these snapshots
242
795000
3000
Vous pouvez remarquer que ces captures d'écran
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
prises à la sortie de la puce rétinienne sont très clairsemées.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Ca ne s'affiche pas en vert partout sur l'arrière plan,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
seulement sur les bords, etc.
13:45
And this is the same thing you see
246
807000
1000
Et c'est la même chose que l'on voit
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
quand les gens compressent la vidéo pour l'envoyer : ils veulent la rendre très clairsemée,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
parce que le fichier est plus petit. Et c'est ce que la rétine fait,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
et elle le fait seulement avec le circuit, et la façon dont ce réseau de neurone
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
qui interagissent dedans, que nous avons capturés dans la puce.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Mais le point que je veux faire, je vais vous le montrer ici.
14:03
So this image here is going to look like these ones,
252
825000
3000
Donc cette image va paraitre comme celles-ci,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
mais ici, je vais vous montrer que l'on peut reconstruire l'image,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
pour que l'on puisse presque reconnaitre Kareem dans la partie du haut.
14:13
And so, here you go.
255
835000
2000
On y va.
14:24
Yes, so that's the idea.
256
846000
3000
Voilà, c'est ça l'idée.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Quand vous restez immobile, on voit juste ces contrastes clairs et foncés.
14:29
But when it's moving back and forth,
258
851000
2000
Mais quand ça fait un mouvement de va et vient,
14:31
the retina picks up these changes.
259
853000
3000
la rétine détecte ces changements.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Et c'est pourquoi, vous savez, quand on est là
14:35
and something happens in your background,
261
857000
2000
et que quelque chose se passe dans l'arrière plan,
14:37
you merely move your eyes to it.
262
859000
2000
vous déplacez à peine vos yeux.
14:39
There are these cells that detect change
263
861000
2000
Ce sont les petites cellules qui détectent le changement
14:41
and you move your attention to it.
264
863000
2000
et votre attention se porte sur lui.
14:43
So those are very important for catching somebody
265
865000
2000
Donc c'est très important pour attraper quelqu'un
14:45
who's trying to sneak up on you.
266
867000
2000
qui s'approche furtivement.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Laissez moi juste finir en vous montrant ce qui se passe
14:50
when you put Africa in a piano, OK.
268
872000
3000
quand on met l'Afrique dans un piano, OK.
14:53
This is a steel drum here that has been modified,
269
875000
3000
C'est un tambour en métal qui a été modifié,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
et c'est ce qui arrive quand on met l'Afrique dans un piano.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
Et ce que je voudrait que l'on fasse, c'est de mettre l'Afrique dans un ordinateur,
15:03
and come up with a new kind of computer
272
885000
2000
et de créer un nouveau type d'ordinateur
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
qui va générer de la pensée, de l'imagination, qui sera créatif, et caetera.
15:08
Thank you.
274
890000
2000
Merci.
15:10
(Applause)
275
892000
2000
(Applaudissements)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson : J'ai une question pour vous, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Est ce que vous associez dans votre esprit le travail que vous faites
15:18
the future of Africa, this conference --
278
900000
3000
et l'avenir de l'Afrique, cette conférence --
15:21
what connections can we make, if any, between them?
279
903000
3000
quelles connections peut t'on faire entre ces choses ?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen : Oui, comme je l'ai dit au début.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
J'ai eu mon premier ordinateur quand j'étais adolescent à Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
Et j'ai eu cette réaction instinctive que c'était la mauvaise façon de faire.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
C'était une démarche de force brute, pas du tout élégante.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Je ne pense pas que j'aurais eu cette réaction,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
si je n'avais pas grandi en lisant toute cette science-fiction,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
qui parlait de RD2D2, peu importe comment on l'appelle, et juste -- vous savez
15:46
buying into this hype about computers.
287
928000
1000
et été complètement fasciné par tout ce battage sur les ordinateurs.
15:47
I was coming at it from a different perspective,
288
929000
2000
Je m'en suis approché avec une perspective différente,
15:49
where I was bringing that different perspective
289
931000
2000
où j'utilisais cette perspective différente
15:51
to bear on the problem.
290
933000
2000
pour résoudre le problème.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Et je pense que beaucoup d'Africains ont ce point de vue différent,
15:56
and I think that's going to impact technology.
292
938000
2000
et je pense que ça aura un impact sur la technologie.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
Et que ça va modifier son évolution.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
Et je pense qu'on va bientôt pouvoir utiliser cette contribution
16:02
to come up with new things,
295
944000
2000
pour arriver à de nouvelles choses,
16:04
because you're coming from a different perspective.
296
946000
3000
parce que nous venons d'un horizon différent.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Je pense que nous pouvons contribuer, que nous pouvons rêver comme n'importe qui d'autre.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson : Merci Kwabena, c'était vraiment intéressant.
16:13
Thank you.
299
955000
1000
Merci.
16:14
(Applause)
300
956000
2000
(Applaudissements)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com