TED2003
Jeff Hawkins: How brain science will change computing
ג'ף הוקינס: כיצד מדעי המח ישנו את עולם המיחשוב
Filmed:
Readability: 3.2
1,674,773 views
יוצר ה-TREO ג'ף הוקינס, מפציר בנו להתבונן מחדש על המח - לראות בו לא כמעבד מהיר, אלא כמערכת זיכרון ששומרת אינפורמציה ומציגה אותה מחדש וכך עוזרת לנו לנבא, בצורה אינטליגנטית, מה יקרה ברגע הבא.
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
אני עושה שני דברים. אני מתכנן מחשבים ניידים וחוקר את המח.
00:29
And today's talk is about brains and,
1
4000
2000
ההרצאה היום היא על המח ו...
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
יש לנו מעריצי מח כאן!
00:33
(Laughter)
3
8000
2000
(צחוק)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
אם אפשר להציג את השקופית הראשונה
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
ותראו את נושא ההרצאה ואת שתי ההשתיכויות שלי
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
מה שאני הולך לדבר עליו הוא מדוע אין לנו תיאורית מח טובה,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
מדוע חשוב שנפתח אחת כזו ומה אנחנו יכולים לעשות בעניין.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
ואנסה לעשות את כל זה בעשרים דקות. יש לי שתי השתיכויות.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
רובכם מכירים אותי מימיי בפאלם והנדספרינג
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
אבל אני גם מפעיל מכון מדעי ללא מטרות רווח
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
מוסד רד-ווד למדעי המח בפארק מלנו,
00:59
and we study theoretical neuroscience,
12
34000
2000
ואנו חוקרים תיאוריות במדעי המח
01:01
and we study how the neocortex works.
13
36000
2000
ואיך קליפת המח עובדת.
01:03
I'm going to talk all about that.
14
38000
2000
ועל זה אדבר.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
יש לי שקופית אחת על החיים האחרים שלי, חיי המחשבים,
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
אלה כמה מהמוצרים שעבדתי עליהם בעשרים שנים האחרונות,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
החל מהלפטופ הראשוני ועד מחשבי כף היד הראשוניים
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
וכך הלאה, עד ה-Treo לאחרונה,
01:17
and we're continuing to do this.
19
52000
2000
ואנו ממשיכים עם זה.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
ועשיתי את זה כי אני באמת מאמין שמחשבים ניידים
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
הם העתיד של המחשוב האישי, ואני מנסה לעשות את העולם
01:24
a little bit better by working on these things.
22
59000
3000
מעט יותר טוב על ידי עבודה בתחום הזה.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
אבל אני חייב להודות, שכל זה קרה בטעות.
01:29
I really didn't want to do any of these products
24
64000
2000
האמת שלא רציתי לעשות את כל המוצרים האלו
01:31
and very early in my career I decided
25
66000
2000
ומוקדם מאוד בקריירה שלי החלטתי
01:33
I was not going to be in the computer industry.
26
68000
3000
שאני לא הולך להיות בעסקיי המחשבים.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
ולפני שאספר לכם על כך, אספר
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
על איור שלקחתי מהרשת לפני זמן מה.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
ניסיתי לחפש תמונה של גרפיטי, מעיין טקסט מעניין של שפה
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
ומצאתי אתר לכתיבת טקסטים המיועד למורים
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
שרוצים להציג משפט קבוע בראש הלוח
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
וליד הם הוסיפו גרפיטי, ואני מצטער על כך.
01:52
(Laughter)
33
87000
2000
(צחוק)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
אז הייתי צעיר ויצאתי מבית הספר להנדסה
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
בקורנל בשנת 79 והגעתי לעבוד באינטל.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
הייתי בעסקי המחשבים, ותוך שלושה חודשים
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
התאהבתי במשהו אחר, ואמרתי לעצמי "עשיתי החלטה מוטעת",
02:10
and I fell in love with brains.
38
105000
3000
והתאהבתי במח.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
זה לא מח אמיתי. זה ציור של מח.
02:16
But I don't remember exactly how it happened,
40
111000
3000
אני לא זוכר בדיוק איך זה קרה,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
אבל יש לי זיכרון אחד די חזק
02:22
In September 1979, Scientific American came out
42
117000
3000
בספטמבר 1979, העלון סיינטיפיק אמריקן הוציא לאור
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
מהדורה אך ורק על מח. זה היה ממש טוב.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
אחת המהדורות הטובות אי פעם. והם דיברו על הנוירונים
02:31
and development and disease and vision and all the things
45
126000
2000
על התפתחות על מחלות ראיה וכל הדברים
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
שאתה רוצה לדעת על המח. זה היה די מרשים.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
וזה יצר רושם שאנו יודעים די הרבה על המח.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
אך את המאמר האחרון במהדורה כתב פרנסיס קריק
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
היום, אני חושב, חגיגות החמישים לתגלית הדנ"א.
02:46
And he wrote a story basically saying,
50
141000
2000
והוא כתב משהו מעין זה,
02:48
well, this is all well and good, but you know what,
51
143000
3000
זה הכל יפה וטוב, אבל אתם יודעים מה,
02:51
we don't know diddley squat about brains
52
146000
2000
אנחנו לא יודעים דבר וחצי דבר על המח
02:53
and no one has a clue how these things work,
53
148000
2000
ולאף אחד אין מושג איך הדבר הזה עובד,
02:55
so don't believe what anyone tells you.
54
150000
2000
אז אל תאמינו למה שאומרים לכם.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
הנה ציטוט מהמאמר ההוא. הוא כותב, "מה שחסר באופן מובהק,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
הוא אדון בריטי מאוד תיקני, "מה שחסר באופן מובהק,
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
זו תבנית רחבה של רעיונות שבעזרתה ניתן יהיה לפרש את הגישות השונות".
03:07
I thought the word framework was great.
58
162000
2000
חשבתי שהמילה "תבנית" נהדרת.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
הוא לא אמר אין לנו אפילו תאוריה. הוא אמר,
03:11
we don't even know how to begin to think about it --
60
166000
2000
אנו לא יודעים איך בכלל להתחיל לחשוב על זה -
03:13
we don't even have a framework.
61
168000
2000
אין לנו תבנית.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
אנחנו בעידן של הלפני-תבנית, אם להשתמש במילותיו של תומס קון.
03:18
And so I fell in love with this, and said look,
63
173000
3000
אז התאהבתי בזה ואמרתי,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
יש לנו את כל הידע הזה על המח, כמה קשה זה כבר יכול להיות?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
וזה משהו שאני יכול לעבוד עליו עוד בחיי ולתרום בו,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
אז ניסיתי לצאת מעסקי המחשבים, ולהכנס לעסקי המח.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
בהתחלה, ניגשתי לאמ. איי. טי., למעבדת האנטיליגנציה המלאכותית,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
ואמרתי להם, גם אני רוצה לבנות מכונות חכמות,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
אבל הדרך שאני רוצה לעשות זאת, היא ללמוד איך המח עובד קודם.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
והם אמרו, אתה לא צריך לעשות את זה.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
אנו רק מתכנתים מחשבים, זה כל מה שאנחנו צריכים לעשות.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
ואמרתי להם, לא, אתם ממש צריכים ללמוד על המח. הם אמרו לא,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
אתה טועה. ואמרתי, לא, אתם טועים, ולא התקבלתי.
03:48
(Laughter)
74
203000
1000
(צחוק)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
אז הייתי קצת מאוכזב - די צעיר, חזרתי שוב
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
לאחר כמה שנים והפעם זה היה לקליפורניה, לברקלי.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
אז אמרתי, אגש מהצד הביולוגי.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
ונכנסתי לתוכנית דוקטורט בביופיסיקה, ואמרתי לעצמי, מצוין,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
אני לומד על המח עכשיו, ואני רוצה ללמוד תיאוריה.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
והם אמרו, אוי לא, אתה לא יכול ללמוד תאוריה של המח.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
זה לא משהו שאתה יכול לעשות. אתה לא יכול לקבל תקציב לזה.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
וכתלמיד אתה לא יכול לעשות את זה. אז אמרתי אוי ואבוי.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
הייתי מאוד מצוברח. הרי אני יכול לתרום לתחום הזה.
04:15
So what I did is I went back in the computer industry
84
230000
3000
אז חזרתי לעסקי המחשבים
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
ואמרתי, נו טוב, אעבוד פה לזמן מה, אעשה משהו.
04:20
That's when I designed all those computer products.
86
235000
3000
זו התקופה שתכננתי את כל המוצרים ההם.
04:23
(Laughter)
87
238000
1000
(צחוק)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
אני רוצה לעשות את זה כארבע שנים, להרוויח קצת כסף,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
להקים משפחה, ולהתבגר קצת,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
ואולי תחום מדעי המח יתבגר קצת.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
אז זה לקח יותר מארבע שנים. זה לקח שש עשרה שנים.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
אבל אני עושה את זה עכשיו, ואספר לכם על זה.
04:39
So why should we have a good brain theory?
93
254000
3000
אז למה אנחנו צריכים תיאוריה טובה על המח?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
יש הרבה סיבות שבגללן אנשים עוסקים במדע.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
אחת - הסיבה הבסיסית ביותר - אנשים רוצים לדעת.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
אנו סקרנים ויוצאים לאסוף מידע.
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
למה אנו חוקרים נמלים? כי הן מעניינות.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
אולי נלמד משהו ממש מועיל עליהן, אבל זה מעניין ומסקרן.
04:55
But sometimes, a science has some other attributes
99
270000
2000
אבל לפעמים, למדע יש משהו אחר
04:57
which makes it really, really interesting.
100
272000
2000
שהופך אותו למאוד מאוד מעניין.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
לפעמים המדע יאמר לנו משהו על עצמנו,
05:02
it'll tell us who we are.
102
277000
1000
הוא יאמר לנו מי אנחנו.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
לעיתים נדירות, האבולוציה עשתה את זה, קופרניקוס עשה את זה,
05:06
where we have a new understanding of who we are.
104
281000
2000
המקום שבו יש לנו הבנה חדשה על מהותנו.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
ואחרי הכל, אנחנו זה המוחות שלנו. המח שלי מדבר למח שלכם.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
גופנו מנצל את ההזדמנות להצטרף, אבל המח שלי מדבר למח שלכם.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
ואם אנחנו רוצים להבין מי אנחנו ומה אנו מרגישים וחווים,
05:18
we really understand what brains are.
108
293000
2000
אנו חייבים להבין מהו המח.
05:20
Another thing is sometimes science
109
295000
2000
דבר נוסף הוא לפעמים המדע
05:22
leads to really big societal benefits and technologies,
110
297000
2000
מוביל לתועלות חברתיות וטכנולוגיות גדולות,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
או עסקים או לא משנה מה. וגם זה חשוב,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
כי אם נבין איך המח עובד, נוכל
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
לבנות מכונות חכמות, ואני חושב שבאופן רחב זה דבר טוב,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
ותהיה לזה תועלת מדהימה לחברה
05:34
just like a fundamental technology.
115
309000
2000
בדיוק כמו טכנולוגיה ראשונית.
05:36
So why don't we have a good theory of brains?
116
311000
2000
אז למה איך לנו תאוריה טובה על המח?
05:38
And people have been working on it for 100 years.
117
313000
3000
ואנשים עבדו על כך מאה שנה.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
בואו נסתכל קודם איך נראה מדע נורמלי .
05:43
This is normal science.
119
318000
2000
זה מדע נורמלי.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
מדע נורמלי הוא שווי משקל בין תאוריה למחקר.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
התאורתיקן אומר אני חושב שזה מה שקורה,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
והחוקר אומר, לא, אתה טועה.
05:53
And it goes back and forth, you know?
123
328000
2000
והולכים לכאן ולשם,
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
ככה זה עובד בפיסיקה. ככה זה עובד בגיאולוגיה. אבל אם זה מדע הנורמלי,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
איך נראים מדעי המח?
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
יש לנו הר של מידע, על אנטומיה, פיזיולוגיה והתנהגות.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
אתם לא יכולים לתאר כמה מידע מפורט יש לנו על המח.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
28,000 אנשים הגיעו לכנס מדעי המח השנה,
06:12
and every one of them is doing research in brains.
129
347000
2000
וכל אחד מהם חוקר את המח.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
המון נתונים. אבל אין תאוריה. הקופסא הקטנטנה הזאת למעלה.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
והתאוריה אף פעם לא שיחקה תפקיד מכריע במדעי המח.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
וזה ממש חבל. למה זה קרה?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
אם אתם שואלים חוקרי מח למה?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
הם קודם כל יודו בכך. אבל אם תשאל אותם, הם יאמרו
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
ובכן, יש כמה סיבות לכך,
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
חלק יאמרו, אין לנו מספיק נתונים,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
אנחנו צריכים לאסוף יותר מידע, יש עדין הרבה דברים שאיננו יודעים.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
ובכן, הרגע אמרתי לך שכמות הנתונים נשפכת מהאזניים.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
יש לנו כל כך הרבה מידע שאנחנו לא יודעים איך להתחיל לארגן אותו.
06:45
What good is more going to do?
140
380000
2000
איזו טובה תצא לנו מעוד?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
אולי יהיה לנו מזל ונמצא דבר קסם, אבל אני לא חושב כך
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
זה למעשה תסמין להעדר תאוריה.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
אנחנו לא צריכים עוד נתונים - אנחנו צריכים תאוריה טובה בשבילם.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
לפעמים אנשים אומרים, המח כה מורכב,
06:59
it'll take another 50 years.
145
394000
2000
זה יקח עוד חמישים שנה.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
אני חושב שכריס אמר משהו כזה אתמול.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
אני לא בטוח מה אמרת, אבל משהו כזה,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
זה אחד הדברים המסובכים ביותר ביקום. זה לא נכון.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
אתה יותר מסובך מהמח שלך. יש לך מח.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
וגם, למרות שהמח נראה מאוד מסובך,
07:12
things look complicated until you understand them.
151
407000
3000
דברים נראים מסובכים עד שמבינים אותם.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
תמיד זה היה ככה. אז מה שיכולים לומר,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
שבקליפת המח, היא החלק שאני מתעניין בו, יש 30 מיליארד תאים.
07:22
But, you know what? It's very, very regular.
154
417000
2000
אבל אתם יודעים מה? זה מאוד מאוד סדיר.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
למעשה, נראה שאותו הדבר בדיוק חוזר על עצמו כל הזמן .
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
זה לא עד כדי כך מסובך כמו שזה נראה. לא זה העניין.
07:30
Some people say, brains can't understand brains.
157
425000
2000
אנשים מסוימים אומרים, מוחות לא יכולים להבין מוחות.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
מאוד "זֵני".
07:35
You know,
159
430000
1000
(צחוק)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
זה נשמע טוב, אבל למה? מה הנקודה?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
הם רק כמה תאים. אתה יכול להבין את הכבד שלך.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
גם בו יש המון תאים, נכון?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
אני לא חושב שיש בזה משהו.
07:46
And finally, some people say, well, you know,
164
441000
2000
ולסיום, אנשים מסוימים אומרים, אתה יודע,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
אני לא מרגיש רק כמו תאים. אני מודע.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
יש לי חוויות, אני בעולם.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
לא יכול להיות שאני רק ערימה של תאים. ובכן,
07:56
people used to believe there was a life force to be living,
168
451000
3000
פעם אנשים האמינו שיש איזשהו כח חיים,
07:59
and we now know that's really not true at all.
169
454000
2000
וכיום אנו יודעים שזה לא ממש נכון.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
ואין הוכחה, למעט אנשים
08:04
just have disbelief that cells can do what they do.
171
459000
2000
שאינם מאמינים שתאים יכולים לעשות מה שהם עושים.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
כך הרבה אנשים נפלו לבור הדואליזם המטאפיזי
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
גם כמה אנשים ממש חכמים, אבל אנו יכולים לדחות זאת על הסף.
08:12
(Laughter)
174
467000
2000
(צחוק)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
אני הולך לומר לכם שיש משהו אחר,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
בסיסי מאוד,
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
שיש סיבה אחרת לכך שאין לנו תיאורית מח טובה,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
והיא בגלל שאנו מחזיקים באינטואיציה חזקה,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
ובהנחה לא נכונה שמונעת מאתנו לראות את התשובה.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
ישנו דבר שאנו מאמינים בו, מובן מאליו בשבילנו, אך הוא שגוי.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
יש לכך היסטוריה במדע, ולפני שאומר לכם מהו,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
אספר לכם מעט על ההסטוריה.
08:38
You look at some other scientific revolutions,
183
493000
2000
הביטו על כמה מהפכות מדעיות אחרות,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
אני מדבר על מערכת השמש, זה קופרניקוס,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
האבולוציה של דרווין, והלוחות הטקטונים של וגנר.
08:45
They all have a lot in common with brain science.
186
500000
3000
יש להם המון מהמשותף למדעי המח.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
קודם כל היו להם המון נתונים לא מוסברים. המון.
08:51
But it got more manageable once they had a theory.
188
506000
3000
אבל זה היה הרבה יותר ברור ברגע שהיתה להם תאוריה.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
האנשים החכמים ביותר היו מבולבלים, אנשים מאוד מאוד חכמים.
08:57
We're not smarter now than they were then.
190
512000
2000
אנו לא חכמים יותר עכשיו ממה שהם היו אז
08:59
It just turns out it's really hard to think of things,
191
514000
2000
רק הסתבר שזה מאוד קשה לחשוב על דברים,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
אבל ברגע שחשבת עליהם, זה די פשוט להבין אותם.
09:03
My daughters understood these three theories
193
518000
2000
הבנות שלי הבינו את שלושת התיאוריות
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
בצורתם הבסיסית, כבר בגן הילדים.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
וזה לא כזה קשה, הנה התפוח, הנה התפוז,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
כדור הארץ מקיף, משהו בסגנון הזה.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
לבסוף, התשובה היתה שם לאורך כל הדרך,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
אבל די התעלמנו ממנה, בגלל הדבר המובן מאליו.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
זו היתה אמונה אינטואיטיבית חזקה אך שגויה.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
במקרה של מערכת השמש, הרעיון שכדור הארץ סב
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
ושכדור הארץ נע במהירות של אלפי קילומטרים לשעה,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
וסביב מערכת השמש במהירות של מיליוני קילומטרים לשעה.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
זה טירוף. כולנו יודעים שהקרקע אינה זזה.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
אתם מרגישים שאתם זזים במהירות של אלפי קילומטרים לשעה?
09:35
Of course not. You know, and someone who said,
205
550000
2000
ברור שלא. ומי שהיה אומר,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
הוא חג בחלל והוא כל כך ענק,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
הם היו כולאים אותו וזה מה שהם היו עושים.
09:41
(Laughter)
208
556000
1000
(צחוק)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
זו היתה הנחה ברורה מאליה. ומה לגבי האבולוציה?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
באותה מידה. לימדנו את ילדנו, שהתנ"ך מספר
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
שאלוהים יצר את כל היצורים, חתולים הם חתולים, כלבים הם כלבים,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
בני אדם הם בני אדם, צמחים הם צמחים, הם לא משתנים.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
נוח שם אותם בתיבה לפי הסדר, בלה בלה בלה.
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
ולמעשה, אם אתם מאמינים באבולוציה, אז לכולנו יש אב קדמון,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
משותף עם העציץ בלובי.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
זה מה שהאבולוציה מספרת לנו. וזה נכון. אבל ממש לא יאומן.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
ואותו הדבר עם הלוחות הטקטונים,
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
כל ההרים והיבשות מרחפות להם
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
על פני כדור הארץ, ממש לא הגיוני.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
אז מהי ההנחה האינטואיטיבית המוטעית,
10:20
that's kept us from understanding brains?
221
595000
2000
שמנעה מאיתנו להבין את המח?
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
אני הולך לומר לכם אותה, והיא תישמע מובנת מאליה,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
וזו הנקודה, נכון? אחר כך אצטרך לטעון טענה
10:26
why you're incorrect about the other assumption.
224
601000
2000
מדוע אתם שוגים לגבי אותה הנחה.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
ההנחה האינטואיטיבית המובנת מאליה היא שהאינטליגנציה,
10:31
is defined by behavior,
226
606000
2000
מוגדרת על ידי התנהגות,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
שאנו אינטליגנטים בזכות הדרך שבה אנו עושים דברים
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
הדרך שבה אנו מתנהגים בצורה אינטליגנטית, ואני אומר לכם שזו טעות.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
שאינטליגנציה היא ניבוי.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
ואסביר זאת בשקופיות הבאות,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
אתן לכם דוגמא למה אני מתכוון. הנה מערכת.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
מהנדסים ומדענים אוהבים להביט על מערכות כאלה.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
הם אומרים, ישנו משהו בקופסא, ולקופסא יש קלט ופלט.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
אנשי האינטליגנציה המלאכותית אומרים, הדבר שבקופסא הוא מחשב
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
שהוא המקביל למח, נטען אותו בקלט כלשהו
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
ונגרום לו לעשות משהו, להתנהג בצורה מסויימת.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
ואלן טורינג הגדיר את מבחן טורינג, שעקרונית אומר
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
נדע אם משהו אינטליגנטי אם יתנהג זהה לאדם.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
התנהגות השקולה לאינטליגנציה.
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
וזה נתקע לנו בתודעה לאורך המון זמן.
11:12
Reality though, I call it real intelligence.
241
647000
2000
אולם במציאות, אני קורה לזה אינטליגנציה אמיתית.
11:14
Real intelligence is built on something else.
242
649000
2000
אינטליגנציה אמיתית בנויה על משהו אחר.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
אנו חווים את העולם באמצעות רצף דפוסים, שומרים אותם,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
נזכרים בהם ומעמתים אותם
11:23
against reality, and we're making predictions all the time.
245
658000
4000
עם המציאות, ומנבאים כל הזמן.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
זו מערכת אין סופית.
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
האם אני מבין את העולם? אני מנבא? וכולי.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
כולכם אינטליגנטיים ברגע זה, אך אתם לא עושים שום דבר.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
אולי מגרדים איפשהו או מחטטים באף,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
אבל אתם לא עושים שום דבר ברגע זה,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
אך עדיין אינטליגנטים, אתם מבינים את מילותיי.
11:42
Because you're intelligent and you speak English,
252
677000
2000
בזכות זה שאתם אינטליגנטים ומדברים אנגלית,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
אתם יודעים איזו מילה תבוא בסוף...
11:45
sentence.
254
680000
2000
המשפט.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
המילה קפצה לכם, ואתם עושים ניבויים כאלה כל הזמן.
11:50
And then, what I'm saying is,
256
685000
2000
ומה שאני אומר
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
שהניבוי הוא הפלט של קליפת המח.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
ושבצורה כלשהי, הניבויים מובילים להתנהגות אינטליגנטית.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
וכך זה קורה. בואו נתחיל עם מח לא אינטליגנטי.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
המח הישן,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
נניח של לא יונק, זוחל למשל ,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
כמו תנין.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
ולתנין יש חושים מאוד מתוחכמים.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
יש לו עיניים ואוזניים טובות, וחוש מישוש,
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
פה ואף. יש לו התנהגות מאוד מורכבת.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
הוא יכול לרוץ ולהתחבא. יש לו פחדים ורגשות. הוא יכול לטרוף אותך.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
ולתקוף. כל מיני דברים.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
אך אנו לא מחשיבים את התנין ליצור מאוד אינטליגנטי, לא במובן האנושי של המילה.
12:32
But it has all this complex behavior already.
269
727000
2000
למרות שיש לו את ההתנהגות המורכבת הזו.
12:34
Now, in evolution, what happened?
270
729000
2000
מה קרה במהלך האבולוציה?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
הדבר הראשון שקרה באבולוציה של היונקים,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
שפיתחנו את החלק שנקרא קליפת המח.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
ואני מיצג את קליפת המח כאן,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
בעזרת התיבה הזו שיושבת מעל המח הישן.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
קליפת המח משמעותה שכבה חדשה. בראש המח.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
אם לא ידעתם, היא הדבר המקומט בראש המח,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
שיש לו קמטים כי הוא נדחס לשם למרות חוסר המקום.
12:54
(Laughter)
278
749000
1000
(צחוק)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
ברצינות, זה בערך בגודל של מפית.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
וזה לא מתאים, אז זה נהיה מקומט.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
המח הישן עדין כאן. עדין יש לנו מח כמו לתנין.
13:04
You do. It's your emotional brain.
282
759000
2000
בהחלט יש לנו. זה המח הרגשי שלכם.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
כל הדברים כמו תחושות הבטן.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
ומעליו ישנה מערכת זכרון הנקראת קליפת המח.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
ומערכת הזכרון הזו יושבת בחלק החישתי של המח.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
וכשקלט חישתי מגיע למח הישן,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
הוא בנוסף עולה לקליפת המח החדשה. והיא משננת.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
היא יושבת שם "ואומרת" אני אשנן את כל הדברים שקורים,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
איפה הייתי, אנשים שראיתי, דברים ששמעתי וכולי.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
ובעתיד, כשהיא רואה משהו דומה,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
בסביבה דומה או אפילו זהה,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
היא תפעיל את זה מחדש.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
הו, הייתי פה בעבר. וכשהייתי פה,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
זה מה שקרה הלאה. זה מאפשר לכם לחזות את העתיד.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
זה מאפשר לכם פשוטו כמשמעו להזין את האותות למוחכם,
13:47
they'll let you see what's going to happen next,
296
802000
2000
שיאפשרו לכם לצפות מה יקרה ברגע הבא,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
יאפשר לכם לשמוע את המילה "משפט" לפני שאמרתי אותה.
13:52
And it's this feeding back into the old brain
298
807000
3000
זו ההזנה-החוזרת למח הישן
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
המאפשרת לקבל החלטות אינטליגנטיות.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
זו השקופית החשובה ביותר בהרצאה אז אשאר איתה לזמן מה.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
אז כל הזמן אתה אומר, הו, אני יכול לחזות מה יקרה.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
אם אתה עכבר שמסתובב במבוך, ולומד אותו,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
פעם הבאה שאתה במבוך, ההתנהגות שלך זהה,
14:10
but all of a sudden, you're smarter
304
825000
2000
אבל לפתע, אתה חכם יותר
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
כי אתה אומר, אני מכיר את המבוך הזה, אני יודע לאן ללכת,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
הייתי פה בעבר, אני יכול לצפות את העתיד. וזה מה שהוא עושה.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
זה נכון לגבי כל היונקים,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
אבל אצל בני אדם, זה נהיה גרוע יותר.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
אצל בני אדם, פיתחנו את החלק הקדמי של קליפת המח
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
שנקרא הקליפה הקדמית. והטבע עשה תעלול.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
הוא העתיק את החלק האחורי החישתי,
14:32
and put it in the front part.
312
847000
2000
ושם אותו מקדימה.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
אצל בני אדם באופן יחודי יש את אותו מנגנון מקדימה,
14:36
but we use it for motor control.
314
851000
2000
אבל אנו משתמשים בו לתנועה.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
אנו יכולים עכשיו לעשות תנועות מתוחכמות מאוד.
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
אין לי זמן להכנס להכל, אבל אם אתם רוצים להבין אין המח עובד,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
אתם חייבים להבין איך החלק הראשון של קליפת המח אצל יונקים עובד,
14:47
how it is we store patterns and make predictions.
318
862000
2000
איך אנו מצליחים לאגור דפוסים ולנבא.
14:49
So let me give you a few examples of predictions.
319
864000
3000
בואו נראה כמה דוגמאות של ניבוי.
14:52
I already said the word "sentence." In music,
320
867000
2000
כבר נתתי את הדוגמא של המילה "משפט". במוסיקה,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
אם שמעתם שיר בעבר, אם שמעתם את ג'יל שרה את השירים הללו בעבר,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
כשהיא שרה אותם, התו הבא קופץ לכם לראש מיד-
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
אתם מצפים לשמוע אותו. אם זה היה אלבום שירים,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
בסוף כל שיר, השיר הבא קופץ לכם לראש.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
הדברים האלו קורים כל הזמן. כך אתם מנבאים.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
יש ניסוי שאני קורא לו ניסוי "הדלת המשתנה".
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
והניסוי אומר, יש לכם בבית דלת,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
ובזמן שאתם נמצאים כאן, אני משנה אותה, יש לי מישהו
15:16
back at your house right now, moving the door around,
329
891000
2000
בבית שלכם ברגע זה, שמתעסק בדלת,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
והוא עומד להזיז את ידית הדלת כמה סנטימטרים.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
כשתגיעו הביתה היום בערב, תושיטו את היד
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
לכוון ידית הדלת ותבחינו
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
שהיא במקום הלא נכון, ותאמרו, וואו, משהו קרה.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
זה יכול לקחת כמה רגעים להבין מה בדיוק קרה, אבל משהו קרה.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
אני יכול לשנות את הדלת שלכם בדרכים אחרות.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
אני יכול לעשות אותה גדולה או קטנה יותר, לשנות אותה מנחושת לכסף,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
להוסיף לה מנוף. לצבוע אותה,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
לשים חלונות. אני יכול לשנות אלפי דברים בדלת,
15:38
and in the two seconds you take to open your door,
339
913000
2000
ובשתי שניות שלוקח לכם לפתוח אותה,
15:40
you're going to notice that something has changed.
340
915000
3000
אתם תשימו לב שמשהו השתנה.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
גישת האינטליגנציה מלאכותית לכך,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
היא לבנות מסד נתונים של דלתות שיש בו את כל תכונות הדלת.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
וברגע שאתם הולכים לדלת, אתם בודקים את כל התכונות אחת אחרי השניה.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
דלת, דלת, דלת...צבע.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
אנו לא עושים את זאת כך. המח שלכם לא עושה זאת כך.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
מה שהוא עושה זה לנבא ללא הרף ובאופן עקבי
15:57
about what is going to happen in your environment.
347
932000
2000
מה יקרה בסביבתכם.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
כשאני שם את ידי על השולחן, אני מצפה שהיא תעצר.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
כשאני הולך, בכל צעד, אם אפספס אותו בכמה מילימטרים,
16:05
I'll know something has changed.
350
940000
2000
אדע שמשהו השתנה.
16:07
You're constantly making predictions about your environment.
351
942000
2000
אתם מנבאים ללא הרף לגבי סביבתכם.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
אדבר בקצרה על הראיה. זוהי תמונה של אשה.
16:12
And when you look at people, your eyes are caught
353
947000
2000
וכשאתם מסתכלים על אנשים, העיניים שלכם
16:14
over at two to three times a second.
354
949000
1000
מדלגות פעמיים עד שלוש בשניה.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
אתם לא מודעים לכך, אבל העיניים שלכם זזות ללא הרף.
16:17
And so when you look at someone's face,
356
952000
2000
כשאתם מסתכלים על פנים של מישהו,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
אתם בדרך כלל עוברים מעין לעין לאף ולפה.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
כשאתם עוברים מעין לעין,
16:23
if there was something else there like, a nose,
359
958000
2000
אם היה משהו אחר במקום העין, למשל אף,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
הייתם רואים אף במקום שעין צריכה להיות,
16:27
and you'd go, oh shit, you know --
361
962000
3000
הייתם אומרים, אופס...
16:30
(Laughter)
362
965000
1000
(צחוק)
16:31
There's something wrong about this person.
363
966000
2000
יש משהו לא בסדר באדם הזה.
16:33
And that's because you're making a prediction.
364
968000
2000
וזה בגלל שאתם מנבאים.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
זה לא שאתם מסתכלים לשם ואומרים, מה אני רואה עכשיו?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
אף, זה בסדר. לא, יש לכם צפיה לגבי מה שאתם אמורים לראות.
16:40
(Laughter)
367
975000
1000
(צחוק)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
ולסיום, איך אנו בוחנים אינטליגנציה.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
אנחנו בוחנים את זה על ידי ניבוי. מהי המילה הבאה?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
הדבר הזה ביחס לזה הוא כמו הדבר הזה ביחס למה? מה המילה הבאה במשפט?
16:51
Here's three visions of an object.
371
986000
2000
הנה שלושה צדדים של דבר.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
מהו הרביעי? כך בוחנים את זה. הכל עניין של ניבוי.
16:57
So what is the recipe for brain theory?
373
992000
3000
אז מהו המתכון לתיאורית מח?
17:00
First of all, we have to have the right framework.
374
995000
3000
קודם כל, חייבת להיות לנו תבנית נכונה.
17:03
And the framework is a memory framework,
375
998000
2000
תבנית של זיכרון,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
לא תבנית ממוחשבת או התנהגותית. תבנית זיכרון.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
איך אנו שומרים וזוכרים את הרצפים והדפוסים? דפוסים הן בזמן והן במרחב.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
לאחר מכן לוקחים כמה תאורטיקנים.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
ביולוגים בדרך כלל לא תאורטיקנים טובים.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
זה לא תמיד נכון, אך באופן כללי, אין ניסיון עשיר של תאוריות בביולוגיה.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
אז מצאתי לנכון שהאנשים הטובים ביותר לעבוד איתם הם פיסיקאים,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
מהנדסים ומתמטיקאים, שבאופן טבעי חושבים בצורה אלגוריתמית.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
והם חייבים ללמוד אנטומיה, והם חייבים ללמוד פיזיולוגיה.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
צריך לבנות את התיאוריות הללו בצורה מאוד מציאותית מבחינה אנטומית.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
אם מישהו יקום ויספר לכם על תאוריה
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
ולא יספר לכם איך בדיוק זה עובד במח
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
ואיך החיווט עובד במח, זו לא באמת תאוריה.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
וזה מה שאנו עושים במכון רד-ווד.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
הייתי שמח אילו היה לי יותר זמן לספר לכם אנו עושים התקדמות נהדרת בנושא,
17:48
and I expect to be back up on this stage,
390
1043000
2000
ואני מצפה לשוב לבמה זו,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
אולי בעתיד הלא רחוק ולספר לכם על זה.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
אני מאוד מאוד נלהב. זה ממש לא יקח חמישים שנה.
17:55
So what will brain theory look like?
393
1050000
2000
אז איך תיאורית המח תיראה?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
קודם כל, זו תהיה תאוריה על זיכרון.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
לא כמו של מחשב. זה אפילו לא דומה לזיכרון של מחשב.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
זה מאוד, מאוד שונה. וזהו זיכרון של אותם
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
דפוסים רב-מימדיים, אותם הדברים הבאים מהעינים.
18:07
It's also memory of sequences.
398
1062000
2000
בנוסף, גם זיכרון של רצפים.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
אתם לא יכולים ללמוד או לזכור שום דבר מחוץ לרצף כלשהו.
18:11
A song must be heard in sequence over time,
400
1066000
3000
שיר חייב להיות מושמע ברצף לאורך זמן,
18:14
and you must play it back in sequence over time.
401
1069000
3000
ואתם חייבים להשמיע אותו לעצמכם ברצף לאורך זמן.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
אנו נזכרים ברצפים האלה בצורה עצמית ואסוציאטיבית, אז אם אני רואה
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
או שומע משהו, אני נזכר, ומושמע בצורה אוטומטית.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
זו השמעה חוזרת אוטומטית. וניבוי של קלט עתידי הוא הפלט הרצוי.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
כמו שאמרתי, התאוריה חייבת להיות מדויקת מבחינה ביולוגית,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
היא חייבת להיות ברת בדיקה, ואתה חייב להיות מסוגל לבנות אותה.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
אם אתה לא בונה אותה, אתה לא מבין אותה.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
מה זה הולך ליצור? האם אנחנו באמת הולכים לבנות מכונות אינטליגנטיות?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
ללא ספק. זה יהיה שונה ממה שאנשים חושבים.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
אין לי ספק שזה הולך לקרות.
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
קודם כל, זה הולך להבנות מסיליקון.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
אותה טכניקה שבה השתמשנו לבנות זכרון למחשב,
18:54
we can use for here.
413
1109000
1000
תשמש אותנו כאן.
18:55
But they're very different types of memories.
414
1110000
2000
אבל סוג הזכרון הוא מאוד מאוד שונה.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
נצמיד את מערכת הזכרון הזו לחיישנים,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
והחיישנים יקלטו נתונים מהעולם האמיתי,
19:02
and these things are going to learn about their environment.
417
1117000
2000
והדברים הללו ילמדו על הסביבה שלהם.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
מאוד לא סביר שהדבר הראשון שנראה יהיו רובוטים.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
לא בגלל שרובוטים הם חסרי תועלת ובהחלט ניתן לבנות אותם.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
אלא שהחלק הרובוטי הוא החלק הקשה. זהו המח הישן. זה ממש קשה.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
המח החדש הוא די קל ביחס למח הישן.
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
אז הדברים הראשונים שאנו עומדים לעשות אינם זקוקוים ליותר מידי רובוטיקה.
19:19
So you're not going to see C-3PO.
423
1134000
2000
אתם לא הולכים לראות C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
תראו דברים יותר כמו מכוניות אינטליגנטיות
19:23
that really understand what traffic is and what driving is
425
1138000
3000
שמבינות תחבורה ונהיגה
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
ולמדו שמכוניות מסויימות עם אורות שמהבהבים במשך חצי דקה
19:29
probably aren't going to turn, things like that.
427
1144000
2000
כנראה לא עומדות לפנות, דברים מעין אלה.
19:31
(Laughter)
428
1146000
1000
(צחוק)
19:32
We can also do intelligent security systems.
429
1147000
2000
ניתן לעשות אמצעי אבטחה חכמים.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
כל המקומות שבהם אנו משתמשים הרבה בשכלנו ללא הרבה מכניקה.
19:38
Those are the things that are going to happen first.
431
1153000
2000
אלו הדברים שיקרו קודם.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
בסופו של דבר, השמיים הם הגבול.
19:42
I don't know how this is going to turn out.
433
1157000
2000
אינני יודע איך זה יתפתח.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
אני מכיר אנשים רבים שהמציאו את המיקרו-מעבדים
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
אם הייתם שואלים אותם, הם ידעו שמה שהם עושים הוא מאוד חשוב,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
אך הם לא ידעו מה יקרה בעתיד.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
הם לא צפו את הטלפונים הסלולרים, את האינטרנט וכל הדברים הללו.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
הם רק ידעו שהם עומדים לבנות מחשבונים
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
ובקרת רמזורים. זה הולך להיות גדול.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
מדעי המח ומערכות הזכרון הללו,
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
יהיו טכנולוגיה מאוד בסיסית, שתוביל
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
לשינויים מרחיקי לכת במאה שנים הקרובות.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
ואני הכי נלהב לגלות כיצד נשתמש בהם במדע.
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
אני חושב שזמני תם, ובזאת אסיים
20:19
right there.
445
1194000
1000
את ההרצאה.
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