TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Henry Markram construit un cerveau dans un superordinateur
Filmed:
Readability: 3.8
1,469,354 views
Henry Markram affirme que les mystères du cerveau peuvent être résolus -- bientôt. Maladie mentale, mémoire, perception : ils sont faits de neurones et de signaux électriques, et il projette de les découvrir avec un superordinateur modélisant toutes les 100 000 000 000 000 synapses du cerveau.
Henry Markram - Neuroscientist
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Double-click the English transcript below to play the video.
00:18
Our mission is to build
0
0
3000
Notre mission est de construire
00:21
a detailed, realistic
1
3000
2000
de façon détaillée et réaliste,
00:23
computer model of the human brain.
2
5000
2000
un modèle informatique du cerveau humain.
00:25
And we've done, in the past four years,
3
7000
3000
Nous avons déjà réalisé, depuis 4 ans,
00:28
a proof of concept
4
10000
2000
une démonstration de faisabilité
00:30
on a small part of the rodent brain,
5
12000
3000
sur une petite partie d'un cerveau de rongeur
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
et, avec cette démonstration de faisabilité, nous faisons une mise en échelle
00:36
to reach the human brain.
7
18000
3000
pour atteindre le cerveau humain.
00:39
Why are we doing this?
8
21000
2000
Pourquoi faisons-nous cela ?
00:41
There are three important reasons.
9
23000
2000
Il y a 3 raisons importantes.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
La première est qu'il est essentiel pour nous de comprendre le cerveau humain
00:47
if we do want to get along in society,
11
29000
2000
si nous voulons cohabiter harmonieusement en société,
00:49
and I think that it is a key step in evolution.
12
31000
4000
et je crois qu'il s'agit d'une étape clé de l'évolution.
00:53
The second reason is,
13
35000
2000
La deuxième raison est
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
que nous ne pouvons pas continuer à expérimenter sur des animaux éternellement.
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
Nous devons donc réunir toutes nos données et toute notre connaissance
01:05
into a working model.
16
47000
3000
dans un modèle fonctionnel.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
C'est comme l'Arche de Noé. C'est une sorte d'archive.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
La troisième raison, c'est qu'il y a deux milliards de personnes sur la planète
01:15
that are affected by mental disorder,
19
57000
4000
qui sont atteintes d'un trouble mental
01:19
and the drugs that are used today
20
61000
2000
et que les drogues que nous utilisons présentement
01:21
are largely empirical.
21
63000
2000
sont en grande partie empiriques.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Je crois qu'on peut en arriver à des solutions très concrètes
01:26
how to treat disorders.
23
68000
3000
sur comment traiter ces troubles.
01:29
Now, even at this stage,
24
71000
3000
Présentement, nous pouvons déjà
01:32
we can use the brain model
25
74000
2000
utiliser le modèle du cerveau
01:34
to explore some fundamental questions
26
76000
3000
pour explorer des questions fondamentales
01:37
about how the brain works.
27
79000
2000
sur le fonctionnement du cerveau.
01:39
And here, at TED, for the first time,
28
81000
2000
Et ici, chez TED, pour la première fois,
01:41
I'd like to share with you how we're addressing
29
83000
2000
j'aimerais partager avec vous notre approche
01:43
one theory -- there are many theories --
30
85000
3000
d'une théorie -- et il y a plusieurs théories --
01:46
one theory of how the brain works.
31
88000
4000
sur comment fonctionne le cerveau.
01:50
So, this theory is that the brain
32
92000
4000
Alors, cette théorie stipule que le cerveau
01:54
creates, builds, a version of the universe,
33
96000
6000
crée, construit, une version de l'Univers.
02:00
and projects this version of the universe,
34
102000
3000
Et projette cette version de l'Univers,
02:03
like a bubble, all around us.
35
105000
4000
comme une bulle, tout autour de nous.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
Il s'agit évidemment d'un sujet de débat philosophique depuis des siècles.
02:11
But, for the first time, we can actually address this,
37
113000
3000
Mais, pour la première fois, nous pouvons aborder ceci
02:14
with brain simulation,
38
116000
2000
avec une simulation du cerveau
02:16
and ask very systematic and rigorous questions,
39
118000
4000
et poser des questions rigoureuses et systématiques,
02:20
whether this theory could possibly be true.
40
122000
4000
à savoir si cette théorie peut s'avérer vraie.
02:24
The reason why the moon is huge on the horizon
41
126000
3000
La raison pour laquelle la Lune apparaît immense sur l'horizon,
02:27
is simply because our perceptual bubble
42
129000
3000
c'est simplement que notre bulle perceptive
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
ne s'étend pas jusqu'à 380 000 kilomètres.
02:34
It runs out of space.
44
136000
2000
Elle manque d'espace.
02:36
And so what we do is we compare the buildings
45
138000
4000
Ce que nous faisons, c'est que nous comparons les édifices
02:40
within our perceptual bubble,
46
142000
2000
situés à l'intérieur de notre bulle perceptive,
02:42
and we make a decision.
47
144000
2000
et nous prenons une décision.
02:44
We make a decision it's that big,
48
146000
2000
Nous décidons qu'elle est aussi grosse,
02:46
even though it's not that big.
49
148000
2000
même si elle n'est pas aussi grosse,
02:48
And what that illustrates
50
150000
2000
et ce que ceci illustre
02:50
is that decisions are the key things
51
152000
2000
que les décisions sont les éléments clés
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
qui supportent notre bulle perceptive. Ça la garde en vie.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Sans décisions vous ne pouvez voir, vous ne pouvez penser,
02:59
you cannot feel.
54
161000
2000
vous ne pouvez ressentir.
03:01
And you may think that anesthetics work
55
163000
2000
Et vous pouvez penser que les anesthésiques fonctionnent
03:03
by sending you into some deep sleep,
56
165000
3000
en vous plongeant dans une sorte de sommeil profond,
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
ou en bloquant vos récepteurs pour empêcher de sentir la douleur
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
mais en fait la plupart des anesthésiques ne fonctionnent pas de cette façon.
03:12
What they do is they introduce a noise
59
174000
3000
Ce qu'ils font c'est introduire un bruit
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
dans le cerveau, empêchant les neurones de se comprendre.
03:18
They are confused,
61
180000
2000
Ils sont déroutés
03:20
and you cannot make a decision.
62
182000
3000
et vous ne pouvez plus prendre une décision.
03:23
So, while you're trying to make up your mind
63
185000
3000
De sorte que, pendant que vous êtes en train de vous faire une idée de
03:26
what the doctor, the surgeon, is doing
64
188000
2000
ce que le médecin, le chirurgien, est en train de faire
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
alors qu'il entaille votre corps, il vagabonde ailleurs.
03:30
He's at home having tea.
66
192000
2000
Il est chez lui en train de prendre le thé.
03:32
(Laughter)
67
194000
2000
(Rires)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
Ainsi, lorsque vous marchez vers une porte et que vous l'ouvrez,
03:37
what you compulsively have to do to perceive
69
199000
3000
ce que vous faites de façon irrépressible afin de percevoir,
03:40
is to make decisions,
70
202000
2000
c'est de prendre des décisions,
03:42
thousands of decisions about the size of the room,
71
204000
3000
des milliers de décisions sur les dimensions de la pièce,
03:45
the walls, the height, the objects in this room.
72
207000
3000
le mur, la hauteur, les objets dans cette pièce.
03:48
99 percent of what you see
73
210000
3000
99% de ce que vous voyez
03:51
is not what comes in through the eyes.
74
213000
4000
n'est pas ce qui traverse vos yeux.
03:55
It is what you infer about that room.
75
217000
4000
C'est ce que vous déduisez par inférence au sujet de cette pièce.
03:59
So I can say, with some certainty,
76
221000
4000
De sorte que je puis dire, avec une certaine certitude,
04:03
"I think, therefore I am."
77
225000
3000
"Je pense donc je suis."
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
mais je ne puis pas dire "Vous pensez, donc vous êtes"
04:10
because "you" are within my perceptual bubble.
79
232000
5000
parce que vous êtes à l'intérieur de ma bulle perceptive.
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Bien sûr, nous pourrions spéculer et philosopher là-dessus,
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
durant les100 prochaines années, mais nous n'y sommes pas obligés.
04:21
We can ask a very concrete question.
82
243000
2000
Nous pouvons poser une question bien concrète.
04:23
"Can the brain build such a perception?"
83
245000
4000
Le cerveau peut-il construire une telle perception ?
04:27
Is it capable of doing it?
84
249000
2000
Est-il capable de faire cela ?
04:29
Does it have the substance to do it?
85
251000
2000
Possède-t-il la matière pour faire cela ?
04:31
And that's what I'm going to describe to you today.
86
253000
3000
Et c'est ce que je vais vous décrire aujourd'hui.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Ca a pris à l'univers 11 milliards d'années pour construire le cerveau.
04:38
It had to improve it a little bit.
88
260000
2000
Il a fallu l'améliorer un peu.
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Il a fallu ajouter la partie frontale, nous permettant d'avoir des instincts
04:43
because they had to cope on land.
90
265000
3000
car il fallait faire face aux situations sur la terre ferme.
04:46
But the real big step was the neocortex.
91
268000
4000
Mais la vraie grande avancée fut le néocortex.
04:50
It's a new brain. You needed it.
92
272000
2000
C'est un nouveau cerveau. Vous en aviez besoin.
04:52
The mammals needed it
93
274000
2000
Les mammifères en avaient besoin
04:54
because they had to cope with parenthood,
94
276000
4000
parce qu'ils devaient s'occuper d'être parents,
04:58
social interactions,
95
280000
2000
d'interactions sociales,
05:00
complex cognitive functions.
96
282000
3000
de fonctions cognitives complexes.
05:03
So, you can think of the neocortex
97
285000
2000
De sorte que vous pouvez penser au néocortex
05:05
actually as the ultimate solution today,
98
287000
5000
comme étant l'ultime solution aujourd'hui
05:10
of the universe as we know it.
99
292000
3000
de l'univers tel que nous le connaissons.
05:13
It's the pinnacle, it's the final product
100
295000
2000
C'est le pinacle, c'est la production finale
05:15
that the universe has produced.
101
297000
4000
que l'univers a produit.
05:19
It was so successful in evolution
102
301000
2000
Il a si bien réussi dans l'évolution
05:21
that from mouse to man it expanded
103
303000
2000
que, de la souris à l'homme, il s'est agrandi
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
environ mille fois en termes de nombre de neurones,
05:26
to produce this almost frightening
105
308000
3000
pour produire ce quasiment effrayant
05:29
organ, structure.
106
311000
3000
organe, cette structure.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
Il n'a pas arrêté sa trajectoire évolutive.
05:35
In fact, the neocortex in the human brain
108
317000
2000
En fait, le néocortex du cerveau humain
05:37
is evolving at an enormous speed.
109
319000
3000
évolue à une immense vitesse.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Si vous zoomez à la surface du néocortex,
05:42
you discover that it's made up of little modules,
111
324000
3000
vous découvrez qu'il est fait de petits modules,
05:45
G5 processors, like in a computer.
112
327000
2000
des processeurs G5, comme dans un ordinateur.
05:47
But there are about a million of them.
113
329000
3000
Mais il y a environ un million de ces processeurs.
05:50
They were so successful in evolution
114
332000
2000
Ils ont eu tellement de succès dans l'évolution
05:52
that what we did was to duplicate them
115
334000
2000
que nous nous sommes mis à les dupliquer
05:54
over and over and add more and more of them to the brain
116
336000
2000
maintes et maintes fois et à en ajouter de plus en plus au cerveau
05:56
until we ran out of space in the skull.
117
338000
3000
jusqu'à ce que nous épuisions l'espace dans le crâne.
05:59
And the brain started to fold in on itself,
118
341000
2000
Le cerveau a commencé à se replier sur lui-même,
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
et c'est pourquoi le néocortex est si hautement tarabiscoté.
06:04
We're just packing in columns,
120
346000
2000
Nous ne faisons qu'empiler des colonnes
06:06
so that we'd have more neocortical columns
121
348000
3000
de façon à avoir encore plus de colonnes néocorticales
06:09
to perform more complex functions.
122
351000
3000
afin d'exécuter des fonctions plus complexes.
06:12
So you can think of the neocortex actually as
123
354000
2000
De sorte que vous pouvez penser au néocortex comme étant
06:14
a massive grand piano,
124
356000
2000
un énorme piano à queue,
06:16
a million-key grand piano.
125
358000
3000
un piano à queue ayant un million de touches.
06:19
Each of these neocortical columns
126
361000
2000
Chacune de ces colonnes néocorticales
06:21
would produce a note.
127
363000
2000
produirait une note.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Vous le stimulez ; il produit une symphonie.
06:26
But it's not just a symphony of perception.
129
368000
3000
Mais il ne s'agit pas seulement d'une symphonie de perception.
06:29
It's a symphony of your universe, your reality.
130
371000
3000
C'est une symphonie de votre univers, c'est votre réalité.
06:32
Now, of course it takes years to learn how
131
374000
3000
Mais, bien sûr, cela prend des années pour apprendre
06:35
to master a grand piano with a million keys.
132
377000
3000
à maîtriser un piano à queue d'un million de touches.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
C'est pourquoi vous devez envoyer vos enfants à de bonnes écoles,
06:40
hopefully eventually to Oxford.
134
382000
2000
espérant finalement Oxford.
06:42
But it's not only education.
135
384000
3000
Mais il ne s'agit pas seulement d'éducation.
06:45
It's also genetics.
136
387000
2000
Il y a aussi de la génétique.
06:47
You may be born lucky,
137
389000
2000
Vous pouvez être né chanceux,
06:49
where you know how to master your neocortical column,
138
391000
4000
ou vous savez comment maîtriser votre colonne néocorticale,
06:53
and you can play a fantastic symphony.
139
395000
2000
et vous savez comment jouer une symphonie fantastique.
06:55
In fact, there is a new theory of autism
140
397000
3000
En fait, il y a une nouvelle théorie de l'autisme
06:58
called the "intense world" theory,
141
400000
2000
nommée la théorie du "monde intense",
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
qui suggère que les colonnes néocorticales sont des supercolonnes.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Elles sont hautement réactives, et elles sont super-plastiques,
07:08
and so the autists are probably capable of
144
410000
3000
de sorte que les autistes sont probablement capables
07:11
building and learning a symphony
145
413000
2000
de construire et d'apprendre une symphonie
07:13
which is unthinkable for us.
146
415000
2000
qui serait impensable pour nous.
07:15
But you can also understand
147
417000
2000
Vous pouvez aussi comprendre
07:17
that if you have a disease
148
419000
2000
que si vous avez une maladie
07:19
within one of these columns,
149
421000
2000
à l'intérieur d'une de ces colonnes,
07:21
the note is going to be off.
150
423000
2000
que la note sonnera faux.
07:23
The perception, the symphony that you create
151
425000
2000
La perception, la symphonie que vous créez
07:25
is going to be corrupted,
152
427000
2000
sera donc corrompue
07:27
and you will have symptoms of disease.
153
429000
3000
et vous manifesterez des symptômes de maladies.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
Ainsi, le Saint-Graal de la neuroscience
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
est vraiment de comprendre le design de la colonne néocorticale --
07:38
and it's not just for neuroscience;
156
440000
2000
et ce n'est pas seulement pour les neurosciences ;
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
c'est peut-être pour comprendre la perception, pour comprendre la réalité,
07:43
and perhaps to even also understand physical reality.
158
445000
4000
et peut-être même aussi pour comprendre la réalité physique.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
Bref, ce que nous avons fait, durant les dernières 15 années,
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
fut de disséquer le néocortex, systématiquement.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
C'est un peu comme si on allait cataloguer une partie de la forêt tropicale.
07:58
How many trees does it have?
162
460000
2000
Combien d'arbres y a-t-il ?
08:00
What shapes are the trees?
163
462000
2000
Quelles formes ont ces arbres ?
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
Combien de chaque type d'arbres avons-nous ? Où sont-ils situés ?
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
C'est un peu plus qu'un simple catalogage car vous devez en réalité
08:07
describe and discover all the rules of communication,
166
469000
4000
décrire et découvrir toutes les règles de communication,
08:11
the rules of connectivity,
167
473000
2000
les règles de connectivité,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
car les neurones n'aiment pas simplement s'interconnecter avec tout neurone.
08:16
They choose very carefully who they connect with.
169
478000
3000
Ils choisissent soigneusement avec lesquels ils se connectent.
08:19
It's also more than cataloging
170
481000
3000
C'est aussi plus qu'un catalogage
08:22
because you actually have to build three-dimensional
171
484000
2000
parce que vous devez en fait construire en trois dimensions
08:24
digital models of them.
172
486000
2000
des modèles numériques de neurones.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
Nous avons fait cela pour des dizaines de milliers de neurones,
08:28
built digital models of all the different types
174
490000
3000
bâtissant des modèles numériques de chaque différent type
08:31
of neurons we came across.
175
493000
2000
de neurone que nous avons rencontrés.
08:33
And once you have that, you can actually
176
495000
2000
Et une fois que vous avez fait cela, vous pouvez vraiment
08:35
begin to build the neocortical column.
177
497000
4000
entreprendre la construction de la colonne néocorticale.
08:39
And here we're coiling them up.
178
501000
3000
Et ici nous sommes en train de les assembler.
08:42
But as you do this, what you see
179
504000
3000
Ce faisant, ce que nous voyons,
08:45
is that the branches intersect
180
507000
2000
c'est que les branches sont intersectées
08:47
actually in millions of locations,
181
509000
3000
en fait à des millions d'emplacements,
08:50
and at each of these intersections
182
512000
3000
et qu'à chacune de ces intersections
08:53
they can form a synapse.
183
515000
2000
elles peuvent former une synapse.
08:55
And a synapse is a chemical location
184
517000
2000
Une synapse est un emplacement chimique
08:57
where they communicate with each other.
185
519000
3000
où ils communiquent entre eux.
09:00
And these synapses together
186
522000
2000
Et, ensemble, ces synapses
09:02
form the network
187
524000
2000
forment le réseau
09:04
or the circuit of the brain.
188
526000
3000
ou le circuit du cerveau.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Le circuit, vous pouvez ausi le voir comme
09:11
the fabric of the brain.
190
533000
2000
le tissu du cerveau.
09:13
And when you think of the fabric of the brain,
191
535000
3000
Lorsque vous pensez au tissu du cerveau,
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
la structure, comment est-elle faite ? Quel est le patron du tapis ?
09:20
You realize that this poses
193
542000
2000
Vous réalisez que ceci pose
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
un défi fondamental à toute théorie du cerveau
09:26
and especially to a theory that says
195
548000
2000
et en particulier à une théorie affirmant
09:28
that there is some reality that emerges
196
550000
2000
qu'il y a une sorte de réalité qui émerge
09:30
out of this carpet, out of this particular carpet
197
552000
3000
de ce tapis, de ce tapis particulier
09:33
with a particular pattern.
198
555000
2000
avec son patron particulier.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
La raison est que le plus important secret de design du cerveau
09:38
is diversity.
200
560000
2000
est sa diversité.
09:40
Every neuron is different.
201
562000
2000
Chaque neurone est différent.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
C'est la même chose dans la forêt. Chaque pin est différent.
09:44
You may have many different types of trees,
203
566000
2000
Vous pouvez avoir plusieurs différents types d'arbres
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
mais chaque pin est différent. Et dans le cerveau ,c'est pareil.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Il n'y a donc aucun neurone dans mon cerveau qui soit identique à un autre,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
et il n'y a aucun neurone dans mon cerveau identique à un dans le vôtre.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
Vos neurones ne seront pas orientés et positionnés
09:58
in exactly the same way.
208
580000
2000
exactement de la même manière.
10:00
And you may have more or less neurons.
209
582000
2000
Vous aurez peut-être plus ou moins de neurones.
10:02
So it's very unlikely
210
584000
2000
Il est donc très improbable
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
que vous ayez le même tissu, le même circuit.
10:08
So, how could we possibly create a reality
212
590000
2000
Alors, comment pouvons-nous possiblement créer une réalité
10:10
that we can even understand each other?
213
592000
3000
nous permettant de nous comprendre l'un l'autre ?
10:13
Well, we don't have to speculate.
214
595000
2000
Eh bien, nul besoin de spéculer.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Nous pouvons maintenant observer nos 10 millions de synapses.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Nous pouvons observer le tissu et nous pouvons changer les neurones.
10:21
We can use different neurons with different variations.
217
603000
2000
Nous pouvons utiliser différents neurones avec différentes variations.
10:23
We can position them in different places,
218
605000
2000
Nous pouvons les positionner à différents emplacements,
10:25
orient them in different places.
219
607000
2000
les orienter en différents emplacements.
10:27
We can use less or more of them.
220
609000
2000
Nous pouvons en utiliser plus ou moins.
10:29
And when we do that
221
611000
2000
Lorsque nous faisons cela,
10:31
what we discovered is that the circuitry does change.
222
613000
3000
ce que nous découvrons, c'est que le circuit change.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
Mais que le patron du design du circuit ne change pas.
10:41
So, the fabric of the brain,
224
623000
2000
De sorte que, le tissu du cerveau,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
quoique votre cerveau peut être plus petit, plus grand,
10:45
it may have different types of neurons,
226
627000
3000
il peut avoir différents types de neurones,
10:48
different morphologies of neurons,
227
630000
2000
différentes morphologies de neurones.
10:50
we actually do share
228
632000
3000
Nous partageons en effet
10:53
the same fabric.
229
635000
2000
le même tissu.
10:55
And we think this is species-specific,
230
637000
2000
Et nous croyons que ceci est spécifique à chaque espèce,
10:57
which means that that could explain
231
639000
2000
ce qui expliquerait pourquoi
10:59
why we can't communicate across species.
232
641000
2000
nous ne pouvons communiquer d'une espèce à une autre.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
Donc, mettons cela en marche. Mais pour l'allumer, vous devez
11:04
is you have to make this come alive.
234
646000
2000
donner la vie à tout cela.
11:06
We make it come alive
235
648000
2000
Nous rendons tout cela vivant
11:08
with equations, a lot of mathematics.
236
650000
2000
avec des équations, beaucoup de mathématiques.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
En fait, les équations transformant les neurones en générateurs électriques
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
furent découvertes par deux prix Nobel de Cambridge.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Nous avons donc les mathématiques pour donner vie aux neurones.
11:20
We also have the mathematics to describe
240
662000
2000
Nous avons aussi les mathématiques décrivant
11:22
how neurons collect information,
241
664000
3000
comment les neurones recueillent l'information
11:25
and how they create a little lightning bolt
242
667000
3000
et comment ils créent un petit éclair
11:28
to communicate with each other.
243
670000
2000
pour communiquer entre eux.
11:30
And when they get to the synapse,
244
672000
2000
Lorsqu'ils arrivent à la synapse,
11:32
what they do is they effectively,
245
674000
2000
ce qu'ils font est d'effectivement,
11:34
literally, shock the synapse.
246
676000
3000
littéralement, commotionner la synapse.
11:37
It's like electrical shock
247
679000
2000
C'est comme un choc électrique
11:39
that releases the chemicals from these synapses.
248
681000
3000
qui libère les produits chimiques de ces synapses.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
Nous avons les mathématiques pour décrire ce processus.
11:45
So we can describe the communication between the neurons.
250
687000
4000
Nous pouvons ainsi décrire la communication entre ces neurones.
11:49
There literally are only a handful
251
691000
3000
Avec seulement une poignée d'équations,
11:52
of equations that you need to simulate
252
694000
2000
vous pouvez simuler
11:54
the activity of the neocortex.
253
696000
2000
l'activité du néocortex.
11:56
But what you do need is a very big computer.
254
698000
3000
Mais vous avez surtout besoin d'un très gros ordinateur.
11:59
And in fact you need one laptop
255
701000
2000
En fait, vous avez besoin d'un ordinateur portable
12:01
to do all the calculations just for one neuron.
256
703000
3000
pour effectuer tous les calculs de seulement un neurone.
12:04
So you need 10,000 laptops.
257
706000
2000
Vous avez donc besoin de 10 000 ordinateurs portables.
12:06
So where do you go? You go to IBM,
258
708000
2000
Où aller ? Vous allez chez IBM,
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
et vous prenez un superordinateur car ils savent comment concentrer
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
10 000 ordinateurs portables dans les dimensions d'un réfrigérateur.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Nous avons donc maintenant ce superordinateur "Blue Gene".
12:17
We can load up all the neurons,
262
719000
2000
Nous pouvons charger tous les neurones,
12:19
each one on to its processor,
263
721000
2000
chacun sur son propre processeur,
12:21
and fire it up, and see what happens.
264
723000
4000
et allumer le tout, et observer ce qui arrive.
12:25
Take the magic carpet for a ride.
265
727000
3000
Embarquez sur le tapis volant pour une promenade !
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Ici, nous l'avons activé. Et voici le premier coup d'oeil
12:31
of what is happening in your brain
267
733000
2000
de ce qui se passe dans votre cerveau
12:33
when there is a stimulation.
268
735000
2000
lorsqu'il y a une stimulation.
12:35
It's the first view.
269
737000
2000
C'est une première vue.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Lorsque vous regardez ça la première fois, vous pensez,
12:39
"My god. How is reality coming out of that?"
271
741000
5000
"Mon Dieu. Comment la réalité peut-elle sortir de ça ?"
12:44
But, in fact, you can start,
272
746000
3000
Mais, en fait, vous pouvez commencer,
12:47
even though we haven't trained this neocortical column
273
749000
4000
même si nous n'avons pas entraîné cette colonne néocorticale
12:51
to create a specific reality.
274
753000
2000
à créer une réalité spécifique.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
Mais on peut demander "Où est la rose ?"
12:57
We can ask, "Where is it inside,
276
759000
2000
On peut demander "Où est-elle à l'intérieur,
12:59
if we stimulate it with a picture?"
277
761000
3000
si on le stimule avec une image ?"
13:02
Where is it inside the neocortex?
278
764000
2000
Où est-elle à l'intérieur du néocortex ?
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Finalement, elle doit être là si on le stimule avec l'image.
13:08
So, the way that we can look at that
280
770000
2000
Ainsi, la manière qu'on peut considérer cela
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
consiste à ignorer les neurones, ignorer les synapses,
13:13
and look just at the raw electrical activity.
282
775000
2000
et observer seulement l'activité électrique brute.
13:15
Because that is what it's creating.
283
777000
2000
Parce que c'est ce qu'il est en train de créer.
13:17
It's creating electrical patterns.
284
779000
2000
Il est en train de créer des patrons électriques.
13:19
So when we did this,
285
781000
2000
Donc lorsqu'on a fait cela,
13:21
we indeed, for the first time,
286
783000
2000
nous avons vraiment, pour la première fois,
13:23
saw these ghost-like structures:
287
785000
3000
vu ces structures évanescentes :
13:26
electrical objects appearing
288
788000
3000
des objets électriques apparaissant
13:29
within the neocortical column.
289
791000
3000
à l'intérieur de la colonne néocorticale.
13:32
And it's these electrical objects
290
794000
3000
Ce sont ces objets électriques
13:35
that are holding all the information about
291
797000
3000
qui détiennent toute l'information au sujet
13:38
whatever stimulated it.
292
800000
3000
la chose qui l'a stimulé - quelle qu'elle soit.
13:41
And then when we zoomed into this,
293
803000
2000
Et en faisant le zoom sur ceci,
13:43
it's like a veritable universe.
294
805000
4000
c'est comme un véritable univers.
13:47
So the next step
295
809000
2000
Alors, la prochaine étape,
13:49
is just to take these brain coordinates
296
811000
4000
c'est de prendre ces coordonnées du cerveau
13:53
and to project them into perceptual space.
297
815000
4000
et de les projeter dans l'espace perceptuel.
13:57
And if you do that,
298
819000
2000
Et si vous faites cela,
13:59
you will be able to step inside
299
821000
2000
vous pourrez pénétrer à l'intérieur
14:01
the reality that is created
300
823000
2000
de la réalité qui est créée
14:03
by this machine,
301
825000
2000
par cette machine,
14:05
by this piece of the brain.
302
827000
3000
par cette partie du cerveau.
14:08
So, in summary,
303
830000
2000
En résumé,
14:10
I think that the universe may have --
304
832000
2000
je crois que l'univers pourrait avoir évolué
14:12
it's possible --
305
834000
2000
-- c'est possible --
14:14
evolved a brain to see itself,
306
836000
3000
en un cerveau pouvant se voir lui-même,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
ce qui pourrait être le premier pas vers une prise de conscience de lui-même.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Il y a encore beaucoup à faire pour tester ces théories,
14:24
and to test any other theories.
309
846000
3000
et pour tester plusieurs autres théories.
14:27
But I hope that you are at least partly convinced
310
849000
3000
Mais j'espère que vous êtes au moins en partie convaincus
14:30
that it is not impossible to build a brain.
311
852000
3000
qu'il n'est pas impossible de construire un cerveau.
14:33
We can do it within 10 years,
312
855000
2000
Nous pouvons le faire dans moins de 10 ans,
14:35
and if we do succeed,
313
857000
2000
et si nous réussissons à le faire,
14:37
we will send to TED, in 10 years,
314
859000
2000
nous enverrons à TED, dans 10 ans,
14:39
a hologram to talk to you. Thank you.
315
861000
3000
un hologramme pour vous parler. Merci.
14:42
(Applause)
316
864000
6000
(Applaudissements)
ABOUT THE SPEAKER
Henry Markram - NeuroscientistHenry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time.
Why you should listen
In the microscopic, yet-uncharted circuitry of the cortex, Henry Markram is perhaps the most ambitious -- and our most promising -- frontiersman. Backed by the extraordinary power of the IBM Blue Gene supercomputing architecture, which can perform hundreds of trillions of calculations per second, he's using complex models to precisely simulate the neocortical column (and its tens of millions of neural connections) in 3D.
Though the aim of Blue Brain research is mainly biomedical, it has been edging up on some deep, contentious philosophical questions about the mind -- "Can a robot think?" and "Can consciousness be reduced to mechanical components?" -- the consequence of which Markram is well aware: Asked by Seed Magazine what a simulation of a full brain might do, he answered, "Everything. I mean everything" -- with a grin.
Now, with a successful proof-of-concept for simulation in hand (the project's first phase was completed in 2007), Markram is looking toward a future where brains might be modeled even down to the molecular and genetic level. Computing power marching rightward and up along the graph of Moore's Law, Markram is sure to be at the forefront as answers to the mysteries of cognition emerge.
Henry Markram | Speaker | TED.com