TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkis su come la scienza del cervello cambierà l'informatica.
Filmed:
Readability: 3.2
1,674,773 views
Il creatore di Treo Jeff Hawkins ci esorta a dare di nuovo un'occhiata al cervello per vederlo non come un veloce processore, ma come un sistema di memoria che accumula e riproduce esperienze per aiutarci a prevedere, intelligentemente, cosa succederà dopo.
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
Faccio due cose: progetto computer portatili e studio cervelli.
00:29
And today's talk is about brains and,
1
4000
2000
E il discorso di oggi riguarda i cervelli e,
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
Urrà, da qualche parte là fuori ho un tifoso del cervello
00:33
(Laughter)
3
8000
2000
(Risate)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Sto per, se posso avere la mia prima diapositiva qui
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
potrete vedere il titolo del mio discorso e le mie due affiliazioni.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Quindi, ciò di cui parlerò è il motivo per il quale non abbiamo una buona teoria del cervello,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
perché è importante doverne svilupparne una e ciò che possiamo fare al riguardo.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
E cercherò di fare tutto questo in 20 minuti. Ho due affiliazioni.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
La maggior parte di voi mi conosce per il mio lavoro di Palm e Handspring,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
ma dirigo anche un istituto di ricerca scientifica senza scopo di lucro
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
chiamato il Redwood Neuroscience Institute di Menlo Park,
00:59
and we study theoretical neuroscience,
12
34000
2000
Noi studiamo le neuroscienze teoretiche,
01:01
and we study how the neocortex works.
13
36000
2000
e come funziona la neocorteccia.
01:03
I'm going to talk all about that.
14
38000
2000
Vi parlero' di tutto questo.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Ho una diapositiva sull'altra mia vita, la vita del computer, ed è questa diapositiva.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Questi sono alcuni dei prodotti sui quali ho lavorato negli ultimi 20 anni,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
iniziando dai veri e propri laptop originali fino ai primi tablet computer
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
e cosi' via, arrivando fino al piu' recente Treo,
01:17
and we're continuing to do this.
19
52000
2000
e continuiamo a fare cio'.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
E ho fatto questo perche' credo davvero che il mobile computing
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
sia il futuro del personal computing, e sto cercando di rendere il mondo
01:24
a little bit better by working on these things.
22
59000
3000
migliore lavorando su queste cose.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Ma questo, devo ammetterlo, è stato del tutto casuale.
01:29
I really didn't want to do any of these products
24
64000
2000
Non avevo nessuna intezione di creare alcuno di questi prodotti
01:31
and very early in my career I decided
25
66000
2000
e molto presto nella mia carriera decisi
01:33
I was not going to be in the computer industry.
26
68000
3000
che non sarei entrato nell'industria dei computer.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
E prima che vi parli di tutto cio', devo solo dirvi
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
di questa piccola immagine di graffiti che ho preso da Internet oggi.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Stavo cercando una foto di graffiti, un breve text-input-language,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
e ho trovato questo sito dedicato agli insegnanti che vogliono creare questi,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
lo sapete, le scritte che vanno sopra le loro lavagne,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
e hanno aggiunto i graffiti, e mi dispiace.
01:52
(Laughter)
33
87000
2000
(Risate)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Quindi, quello che accadde, quando ero giovane e venni fuori dalla scuola di ingegneria,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
Cornell, nel '79, decisi che avrei lavorato per Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Ero nell'industria dei computer, e dopo tre mesi,
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
mi innamorai di qualcos'altro e dissi: "ho fatto la scelta sbagliata per la mia carriera",
02:10
and I fell in love with brains.
38
105000
3000
e mi innamorai dei cervelli.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Questo non è un vero cervello. Questa è una rappresentazione, una disegno
02:16
But I don't remember exactly how it happened,
40
111000
3000
Non ricordo esattamente come accadde,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
ma ricordo una cosa, che e' impressa piuttosto intensamente nella mia mente.
02:22
In September 1979, Scientific American came out
42
117000
3000
Nel settebre del 1979, Scientific American usci'
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
con un numero monotematico sul cervello. Ed era piuttosto ben fatto.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Fu uno dei migliori numeri mai usciti. E parlarono dei neuroni
02:31
and development and disease and vision and all the things
45
126000
2000
e dello sviluppo, e delle malattie e della vista e di tutte quelle cosa
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
che avresti voluto sapere sul cervello. Fu piuttosto impressionante
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
E qualcuno potra' avere l'impressione che ne sappiamo tanto di cervelli.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Ma l'ultimo articolo in qual numero venne scritto da Francis Crick, famoso per il DNA.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Oggi e', credo, il 50esimo anniversario della scoperta del DNA.
02:46
And he wrote a story basically saying,
50
141000
2000
Scrisse un articolo praticamente dicendo,
02:48
well, this is all well and good, but you know what,
51
143000
3000
bene, tutto questo e' fantastico, ma sapete una cosa,
02:51
we don't know diddley squat about brains
52
146000
2000
non sappiamo un bel niente del cervello
02:53
and no one has a clue how these things work,
53
148000
2000
e nessuno ha la piu' pallida idea di come funzionino queste cose,
02:55
so don't believe what anyone tells you.
54
150000
2000
quindi non credete a quello che vi dicono.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Questa e' una citazione dall'articolo. Disse: "Quello che manca davvero"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
e' un signore inglese per bene, quindi disse: "Quello che manca davvero
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
e' una chiara struttura di idee con la quale interpretare questi diversi approcci"
03:07
I thought the word framework was great.
58
162000
2000
Penso che l'uso della parola struttura sia stato grandioso.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Non disse che non avevamo neanche una teoria. Disse,
03:11
we don't even know how to begin to think about it --
60
166000
2000
non sappiamo neanche come cominciare a pensare a questo --
03:13
we don't even have a framework.
61
168000
2000
non abbiamo neanche una struttura.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Siamo nei giorni pre-paradigma, se volete usare Thomas Kuhn
03:18
And so I fell in love with this, and said look,
63
173000
3000
E così mi innamorai di questo e dissi guarda,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
abbiamo tutte queste conoscenze sui cervelli. Quanto può essere difficile?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
E questo è qualcosa sul quale possiamo lavorare nella mia vita. Sentii che avrei potuto fare la differenza
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
e così provai ad uscire dal business dei computer per quello del cervello.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Per prima cosa andai al MIT, il laboratorio AL era là,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
e dissi, bene, voglio ancora costruire macchine intelligenti,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
ma il modo in cui voglio farlo è studiare prima come i cervelli funzionano.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Dissero, oh, non hai bisogno di farlo.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Stiamo solo programmando computer, questo è tutto quello che dobbiamo fare.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Dissi no, dovremmo davvero studiare i cervelli. Dissero, sai,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
ti sbagli. E io risposi, no, voi vi sbagliate, e non entrai.
03:48
(Laughter)
74
203000
1000
(Risate)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Ero un po' deluso - piuttosto giovane, ma tornai di nuovo
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
pochi anni dopo e questa volta ero in California, andai a Berkeley
03:55
And I said, I'll go in from the biological side.
77
210000
4000
e dissi, entrerò dal lato biologico.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Così entrai nel programma di dottorato di ricerca in Biofisica e stavo, va bene,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
sto studiando cervelli ora, e dissi, bene, voglio studiare la teoria.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Loro dissero, oh no, non puoi studiare la teoria del cervello.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Questo non è ciò che si fa. Non è possibile ottenere finanziamenti per questo.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
E come dottorando non è possibile farlo. Così dissi, oh caspita.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Ero molto depresso. Dissi, ma posso fare la differenza in questo campo.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Quindi quello che feci fu tornare nell'industria dei computer
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
e dissi, bene, dovrò lavorare qui per un po', fare qualcosa.
04:20
That's when I designed all those computer products.
86
235000
3000
Questo è stato quando ho disegnato tutti quei computer.
04:23
(Laughter)
87
238000
1000
(Risate)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Dissi, voglio fare questo per quattro anni, fare un po’ di soldi,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
siccome stavo mettendo sù famiglia, sarei maturato un po’
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
e forse anche il business delle neuroscienze sarebbe maturato un po’.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Beh, ci sono voluti più di quattro anni. E' durato circa 16 anni.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Ma lo sto facendo adesso e ve lo racconterò.
04:39
So why should we have a good brain theory?
93
254000
3000
Quindi, perché dovremmo avere una buona teoria sul cervello?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Beh, ci sono un sacco di motivi per i quali le persone fanno scienza.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Uno, il più semplice, è che alla gente piace sapere le cose.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Siamo curiosi e appena usciamo fuori acquisiamo conoscenze, lo sapete?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Perché studiamo le formiche? Beh, è interessante.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Forse impareremo qualcosa di veramente utile al riguardo, ma è interessante e affascinante.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Ma talvolta una scienza ha alcune altre caratteristiche
04:57
which makes it really, really interesting.
100
272000
2000
che la rendono veramente interessante.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
A volte la scienza ci dirà qualcosa su noi stessi,
05:02
it'll tell us who we are.
102
277000
1000
ci dirà chi siamo.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Raramente, sapete, l'evoluzione ha fatto questo e Copernico lo ha fatto,
05:06
where we have a new understanding of who we are.
104
281000
2000
dove abbiamo una nuova comprensione di chi siamo.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Dopo tutto noi siamo i nostri cervelli. Il mio cervello sta parlando al vostro.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
I nostri corpi sono qui solo di passaggio, ma il mio cervello sta parlando al vostro.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
E se vogliamo capire chi siamo e come sentiamo e percepiamo,
05:18
we really understand what brains are.
108
293000
2000
allora capiamo veramente cosa sono i cervelli.
05:20
Another thing is sometimes science
109
295000
2000
Un'altra cosa è che la scienza a volte
05:22
leads to really big societal benefits and technologies,
110
297000
2000
porta notevoli benefici sociali e tecnologie,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
o affari, o qualsiasi altra cosa che venga fuori. E questa è una,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
anche perché quando ci rendiamo conto di come il cervello funziona saremo capaci
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
di costruire macchine intelligenti e penso che sia una cosa realmente buona nel complesso
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
e darà enormi vantaggi alla società,
05:34
just like a fundamental technology.
115
309000
2000
proprio come una tecnologia di base.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Allora perché non abbiamo una buona teoria del cervello?
05:38
And people have been working on it for 100 years.
117
313000
3000
E le persone hanno lavorato su di esso per 100 anni?
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Bene, prima dai un'occhiata a ciò a cui la scienza normale assomiglia.
05:43
This is normal science.
119
318000
2000
Questa è la scienza normale.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
La scienza normale è un buon equilibrio tra la teoria e la sperimentazione.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
E così i teorici dicono, beh, penso che questo sia quello che sta succedendo
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
e gli sperimentalisti dicono, no, vi sbagliate.
05:53
And it goes back and forth, you know?
123
328000
2000
E va avanti e indietro, lo sapete?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Questo funziona in fisica. Questo funziona in geologia. Ma se questa è la scienza normale
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
a cosa assomigliano la neuroscienza? Questo è ciò che la neuroscienza sembra.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Abbiamo questa montagna di dati, che sono anatomia, fisiologia e comportamento.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Non potete immaginare quanti dettagli sappiamo sui cervelli.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
C'erano 28.000 persone alla conferenza di neuroscienze di quest'anno,
06:12
and every one of them is doing research in brains.
129
347000
2000
e ognuno di loro sta facendo ricerca sui cervelli.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Un sacco di dati. Ma non c'è una teoria. C'è una piccola scatola molliccia lassù in alto.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
E la teoria non ha avuto un ruolo in nessun tipo di strada maestra nelle neuroscienze.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
Ed è un vero peccato. Ora, perché è andata così?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Se chiedete ai neuroscienziati, perché è questo lo stato dei fatti?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
prima di tutto lo ammettono. Ma se glielo chiediamo, diranno,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
beh, ci sono varie ragioni per le quali non abbiamo una buona teoria del cervello.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Alcune persone dicono, non abbiamo ancora dati sufficienti,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
abbiamo bisogno di avere maggiori informazioni, ci sono tutte queste cose che non sappiamo.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Bene, vi ho appena detto che ci sono così tanti dati che escono dalle orecchie.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Ci sono così tante informazioni. Non sappiamo come cominciare a organizzarle.
06:45
What good is more going to do?
140
380000
2000
A che serve fare di più?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Forse saremo fortunati e scopriremo qualcosa di magico, ma io non la penso così.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Questo è in effetti un sintomo del fatto che noi non abbiamo una teoria.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Non abbiamo bisogno di ulteriori dati -- abbiamo bisogno di una buona teoria su di esso.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Un'altra è che talvolta le persone dicono, bene, il cervello è talmente complesso,
06:59
it'll take another 50 years.
145
394000
2000
ci vorranno altri 50 anni.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Penso che anche Chris abbia detto qualcosa di simile ieri.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Non sono sicuro di quello che hai detto, Chris, ma qualcosa di simile a,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
beh, è una delle cose più complicate nell'universo. Non è vero.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Tu sei più complicato di quanto lo sia il tuo cervello. Tu hai un cervello.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
Inoltre, sebbene il cervello sembri molto complicato,
07:12
things look complicated until you understand them.
151
407000
3000
le cose sembrano complicate finché non si capiscono.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
E’ sempre stato così. E così tutti possiamo dire, bene,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
la mia neocorteccia, che è la parte del cervello che mi interessa, ha 30 miliardi cellule.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Ma, sapete una cosa? E' molto regolare.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
In realtà, sembra che la stessa cosa sia ripetuta più e più e più volte.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Non è così complessa come sembra. Non è questo il problema.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Alcune persone dicono, i cervelli non possono capire i cervelli.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Molto Zen. Whoo. Sapete --
07:35
You know,
159
430000
1000
(Risate)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Suona bene, ma perché? Voglio dire, qual è il punto?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
E' solo un mucchio di cellule. Capite il vostro fegato.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
E ha un sacco di cellule dentro, giusto?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Quindi, sapete, non do credito a questo.
07:46
And finally, some people say, well, you know,
164
441000
2000
Infine, alcune persone dicono, beh, sapete,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
non mi sento come un mucchio di cellule. Io sono consapevole.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Ho avuto questa esperienza, sono nel mondo, lo sapete.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Non posso essere solo un mucchio di cellule. Bene, sapete,
07:56
people used to believe there was a life force to be living,
168
451000
3000
le persone erano abituate a credere che ci fosse una forza vitale per vivere,
07:59
and we now know that's really not true at all.
169
454000
2000
e ora sappiamo che non è affatto vero.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Non c'è davvero nessun’altra prova che lo affermi, beh, a parte il fatto che le persone
08:04
just have disbelief that cells can do what they do.
171
459000
2000
non credono che le cellule possano fare quello che fanno.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
E così alcune persone sono cadute nella fossa del dualismo metafisico,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
anche alcune persone molto intelligenti, ma noi possiamo rifiutare tutto questo.
08:12
(Laughter)
174
467000
2000
(Risate)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
No, vi dirò che c’è qualcos’altro,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
ed è davvero fondamentale, ed è questo:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
c'è un altro motivo per cui non abbiamo una buona teoria del cervello
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
ed è perché abbiamo una convinzione intuitiva e ben salda,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
ma sbagliata che ci ha impedito di vedere la risposta..
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
C'è qualcosa che noi crediamo sia proprio ovvio, ma è sbagliato.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Ora, c'è una storia di questo nella scienza e prima di dirvi cosa è,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
vi racconterò un po' la sua storia nella scienza.
08:38
You look at some other scientific revolutions,
183
493000
2000
Guardate altre rivoluzioni scientifiche,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
in questo caso sto parlando del sistema solare, questo è Copernico,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
l'evoluzione di Darwin e le placche tettoniche, questo è Wegener.
08:45
They all have a lot in common with brain science.
186
500000
3000
Tutti loro hanno molto in comune con la scienza del cervello.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Prima di tutto loro avevano un sacco di dati non spiegati. Molti dati.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Ma tutto è diventato più maneggevole una volta che loro hanno avuto una teoria.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
Le migliori menti erano perplesse, persone molto molto in gamba.
08:57
We're not smarter now than they were then.
190
512000
2000
Non siamo più intelligenti adesso di quanto lo fossero allora.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
E’ che è proprio difficile pensare a certe cose,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
ma una volta che ci hai pensato è una cosa facile capirle.
09:03
My daughters understood these three theories
193
518000
2000
Le mie figlie capiscono queste tre teorie
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
nella loro struttura elementare da quando erano alla scuola materna.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
E adesso non è così difficile, sapete, qui c’è la mela, qui l’arancia,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
si sa, la Terra gira intorno, questo tipo di cose.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Infine, un'altra cosa è che la risposta era lì da sempre,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
ma noi l’abbiamo solamente ignorata a causa di questa cosa ovvia, e questa è la cosa.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
E' stata una convinzione intuitiva e ben salda che era sbagliata.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
Nel caso del sistema solare, l'idea che la Terra è in rotazione
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
e la superficie della Terra sta andando a mille chilometri all'ora,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
e la Terra sta attraversando il sistema solare a circa un milione di chilometri all'ora.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Questa è follia. Sappiamo tutti che la Terra non si sta muovendo.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Ti senti come se ti stessi muovendo a mille chilometri all’ora?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Certo che no. Sapete, qualcuno disse,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
beh, gira intorno nello spazio ed è così enorme,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
ti rinchiuderebbero, e questo è ciò che hanno fatto allora.
09:41
(Laughter)
208
556000
1000
(Risate)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Così fu intuitivo e ovvio. Ora, che dire dell’evoluzione?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
La stessa cosa dell’evoluzione. Abbiamo insegnato ai nostri figli, bene, la Bibbia dice,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
lo sapete, Dio ha creato tutte queste specie, i gatti sono gatti, i cani sono cani,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
le persone sono persone, le piante sono piante, essi non cambiano.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noè li ha messi sull’Arca in questo ordine, blah, blah, blah.
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
il fatto è che se si crede nell'evoluzione tutti noi abbiamo un antenato comune,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
e tutti noi abbiamo un antenato comune con la pianta nell’atrio.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Questo è ciò che ci dice l'evoluzione. Ed è vero. È quasi incredibile.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
E la stessa cosa a proposito delle placche tettoniche, sapete?
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Tutte le montagne e i continenti sono come galleggianti
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
sopra la Terra, sapete? E' così, non fa alcun senso.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Quindi era la convinzione, intuitiva ma errata,
10:20
that's kept us from understanding brains?
221
595000
2000
che ci impediva di comprendere i cervelli?
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
Ora ve lo dirò, e sembrerà ovvio che questo è corretto,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
e questo è il punto, giusto? Allora dovrò fare un ragionamento
10:26
why you're incorrect about the other assumption.
224
601000
2000
sul perché vi sbagliate sull’altra ipotesi.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
La cosa evidente e intuitiva è che in qualche modo l'intelligenza
10:31
is defined by behavior,
226
606000
2000
è definita da un comportamento,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
che noi siamo intelligenti a causa del modo in cui facciamo le cose
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
e perché ci comportiamo in modo intelligente, e vi dirò che questo è sbagliato.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Cosa è l'intelligenza è definito dalla previsione.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Vi spiegherò questo mediante alcune diapositive qui,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
per darvi un esempio di ciò che significa. Ecco un sistema,
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Agli ingegneri piace vedere sistemi come questo. Agli scienziati piace vedere sistemi come questo.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Dicono, bene, abbiamo una cosa in una scatola, abbiamo i suoi input i suoi output.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Il popolo AI disse, bene, la cosa nella scatola è un computer programmabile
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
perché è equivalente a un cervello e noi gli invieremo alcuni input
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
e gli faremo fare qualcosa, avere qualche comportamento.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
E Alan Turing definì il test di Turing, che essenzialmente dice,
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
sapremo se qualcosa è intelligente se si comporta in modo identico a un essere umano.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Una metrica comportamentale di ciò che è intelligenza,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
e questo è rimasto nelle nostre menti per un lungo periodo di tempo.
11:12
Reality though, I call it real intelligence.
241
647000
2000
In concreto io la chiamo intelligenza reale.
11:14
Real intelligence is built on something else.
242
649000
2000
L’intelligenza reale è costruita su qualcos'altro.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Sperimentiamo il mondo attraverso una sequenza di modelli, e li immagazziniamo,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
e li ricordiamo. E quando li ricordiamo, li confrontiamo
11:23
against reality, and we're making predictions all the time.
245
658000
4000
con la realtà, e facciamo previsioni tutto il tempo.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
E' una eterna metrica. C'è una metrica eterna in noi, come un modo per dire
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
comprendiamo il mondo? Sto facendo previsioni? E così via.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Siete tutti esseri intelligenti in questo momento, ma non state facendo niente.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Forse vi state stirando, o vi state mettendo le dita nel naso,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
non so, ma non state facendo nulla ora,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
ma siete intelligenti, state capendo cosa sto dicendo.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Perché siete intelligenti e parlate inglese,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
sapete che parola c’è alla fine di questa - (Silenzio)
11:45
sentence.
254
680000
2000
frase
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
La parola arriva dentro di voi e voi fate queste previsioni per tutto il tempo.
11:50
And then, what I'm saying is,
256
685000
2000
Allora, quello che sto dicendo è,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
è che l’eterna previsione è l'output della neocorteccia.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
E che in qualche modo la previsione porta ad un comportamento intelligente.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
E qui è come ciò accade. Cominciate con un cervello non-intelligente.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Beh, discuterò di un cervello non-intelligente, abbiamo preso un vecchio cervello,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
e diremo che è come un non-mammifero, come un rettile,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
quindi dirò, un alligatore, abbiamo un alligatore .
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
E l’alligatore ha alcuni sensi molto sofisticati.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Ha buoni occhi e orecchie, tatto e così via
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
una bocca e un naso. Ha un comportamento molto complesso.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Può correre e nascondersi. Ha paure ed emozioni. E può mangiarvi, sapete.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Può attaccare. Può fare tutti i tipi di cose.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Ma noi non consideriamo l'alligatore molto intelligente, non allo stesso modo dell'essere umano.
12:32
But it has all this complex behavior already.
269
727000
2000
Ma ha già tutto questo comportamento complesso.
12:34
Now, in evolution, what happened?
270
729000
2000
Ora, nell’evoluzione, cosa è successo?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
La prima cosa che è accaduta nell’evoluzione dei mammiferi,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
abbiamo iniziato a sviluppare una cosa chiamata neocorteccia.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
E rappresenterò la neocorteccia qui,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
in questa scatola che è attaccata sulla parte superiore del vecchio cervello.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
La neocorteccia significa nuovo livello. E' un nuovo livello in cima al tuo cervello.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Se non lo conoscete, è la cosa rugosa sulla parte superiore della testa che
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
è diventata rugosa perché si è spinta in là senza adattarsi
12:54
(Laughter)
278
749000
1000
(Risate)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
No, veramente, è ciò che è. E’ circa la dimensione di un tovagliolo.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
e non si adatta per cui diventa rugosa. Ora guardate come ho disegnato questo qui.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Il cervello vecchio è ancora lì. Avete ancora questo cervello di alligatore.
13:04
You do. It's your emotional brain.
282
759000
2000
Ce l’avete. È il vostro cervello emozionale..
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Esso è tutte queste cose e tutte quelle reazioni viscerali che avete.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Ed in cima a esso abbiamo questa memoria di sistema chiamata neocorteccia.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
E la memoria di sistema è seduta sopra la parte sensoriale del cervello.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Così come gli input sensoriali entrano e alimentano il vecchio cervello,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
vanno anche sù nella neocorteccia. E la neocorteccia è soltanto memorizzazione.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
E' lì seduta dicendo, ah, sto memorizzando tutte le cose che succedono,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
dove sono stata, le persone che ho visto, le cose che ho sentito, e così via.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
E in futuro, quando essa vede nuovamente qualcosa simile a questo,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
sia in un ambiente simile, o nello stesso ambiente,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
lo riprodurrà. Inizierà a riprodurlo.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Oh, sono stato qui prima. E quando siete stati qui prima,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
questo è accaduto di nuovo. Vi permette di prevedere il futuro.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
vi permette, letteralmente, di rinviare i segnali nel vostro cervello,
13:47
they'll let you see what's going to happen next,
296
802000
2000
vi lascerà vedere cosa succederà dopo,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
vi farà ascoltare la olofrase prima che l’abbia detta.
13:52
And it's this feeding back into the old brain
298
807000
3000
Ed è questo rinvio nel vecchio cervello
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
che vi permetterà di prendere decisioni molto più intelligenti.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Questa è la diapositiva più importante del mio discorso, quindi mi soffermerò su di essa un po'.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Così, per tutto il tempo voi dite, oh, sono in grado di prevedere le cose.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
E se siete un topo e attraversate un labirinto e imparate il labirinto,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
la prossima volta che sarete in un labirinto avrete lo stesso comportamento,
14:10
but all of a sudden, you're smarter
304
825000
2000
ma d'un tratto sarete più intelligenti
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
perché direte, oh, riconosco questo labirinto, so dove andare,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
sono stato qui prima, posso immaginare il futuro. E questo è quello che state facendo.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Negli esseri umani, per inciso, questo è vero per tutti i mammiferi,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
è vero per gli altri mammiferi e negli esseri umani è peggiorato molto.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Negli esseri umani infatti abbiamo sviluppato la parte frontale della neocorteccia,
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
chiamata parte anteriore della neocorteccia. E la natura ha fatto un piccolo trucco.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Ha copiato la parte posteriore, la parte dorsale, che è sensoriale,
14:32
and put it in the front part.
312
847000
2000
e l’ha messa nella parte frontale.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
E gli esseri umani hanno caratteristicamente lo stesso meccanismo sulla parte anteriore,
14:36
but we use it for motor control.
314
851000
2000
ma lo usiamo per il controllo motorio.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Quindi, adesso siamo in grado di effettuare programmazioni motorie molto sofisticate, cose come queste.
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
Non ho tempo per entrare in tutto questo, ma se volete capire come funziona un cervello,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
dovrete capire come funziona la prima parte della neocorteccia dei mammiferi,
14:47
how it is we store patterns and make predictions.
318
862000
2000
come memorizziamo schemi e facciamo previsioni.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Perciò lasciate che vi dia alcuni esempi di previsioni.
14:52
I already said the word "sentence." In music,
320
867000
2000
Ho già detto dell’olofrase. Nella musica,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
se hai già sentito un brano prima, se hai sentito Jill cantare quelle canzoni prima,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
quando lei le canta la nota successiva vi appare già in testa --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
- la anticipate mentre state ascoltando. Se fosse un album musicale,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
la fine di un album, la canzone successiva vi viene in mente.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
E queste cose succedono continuamente. State facendo queste previsioni.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Ho questa cosa chiamata l’esperimento della porta mentale alterata.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
E l’esperimento della porta mentale alterata dice, avete una porta a casa,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
e mentre siete qui la sto cambiando, ho mandato un uomo
15:16
back at your house right now, moving the door around,
329
891000
2000
a casa vostra proprio adesso, sta modificando la porta,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
ha preso la vostra maniglia e l’ha spostata di circa 6 centimetri.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
E quando andrete a casa stasera, metterete la mano là fuori
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
per afferrare la maniglia della porta e vi accorgerete
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
che è nel posto sbagliato, e penserete, oh, è successo qualcosa!
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Può richiedere un secondo per capire com’era, ma qualcosa è successo.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Ora potrei cambiare la maniglia in altri modi.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Posso renderla più grande o più piccola, posso cambiare il suo ottone in argento,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
potrei farne una leva. Posso cambiare la vostra porta, colorarla,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
posso mettere dentro delle fenditure. Posso cambiare mille cose sulla vostra porta,
15:38
and in the two seconds you take to open your door,
339
913000
2000
e in due secondi andate ad aprire la porta,
15:40
you're going to notice that something has changed.
340
915000
3000
e notate che qualcosa è cambiato.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Ora, l'approccio ingegneristico a questo, l'approccio AI è questo,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
è quello di costruire un database della porta. Esso ha tutti gli attributi della porta.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
E come andate verso la porta, sapete, li controlleranno uno alla volta.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Porta, porta, porta, sapete, colore, sapete cosa sto dicendo.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Noi non lo facciamo. Il vostro cervello non lo fa.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Cosa il vostro cervello sta facendo è fare previsioni tutto il tempo.
15:57
about what is going to happen in your environment.
347
932000
2000
su ciò che succederà nel vostro ambiente.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Come metto la mia mano su questo tavolo, mi aspetto di sentire che si fermi.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Quando cammino, ogni passo, se ho perso 3 cm
16:05
I'll know something has changed.
350
940000
2000
saprò che qualcosa è cambiato.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Siete sempre a fare previsioni sul vostro ambiente.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Parlerò della visione brevemente qui. Questa è una foto di una donna.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Quando si guardano le persone i vostri occhi vengono catturati
16:14
over at two to three times a second.
354
949000
1000
più di 2-3 volte al secondo.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
voi non siete consapevoli di questo, ma i vostri occhi sono sempre in movimento.
16:17
And so when you look at someone's face,
356
952000
2000
E così quando si guarda il viso di qualcuno,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
andate normalmente da un occhio a un occhio a un occhio, al naso, alla bocca.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Ora, quando vi muovete da un occhio all’altro,
16:23
if there was something else there like, a nose,
359
958000
2000
se ci fosse qualcos'altro lì come un naso,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
vedreste il naso dove si suppone esserci un occhio,
16:27
and you'd go, oh shit, you know --
361
962000
3000
e direste, oh merda, sapete -
16:30
(Laughter)
362
965000
1000
(Risate)
16:31
There's something wrong about this person.
363
966000
2000
C'è qualcosa che non va su questa persona.
16:33
And that's because you're making a prediction.
364
968000
2000
E questo perché state facendo una previsione.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Non è solo come se guardaste là e diceste, cosa sto vedendo adesso?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Un naso, va bene. No, disponete di un’aspettativa di ciò che state per vedere.
16:40
(Laughter)
367
975000
1000
(Risate)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Ogni singolo momento. E, infine, pensate come noi verifichiamo l’intelligenza.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Noi verifichiamo essa dalla previsione. Qual è la parola successiva a questa, lo sapete?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Questo sta a questo come questo sta a questo.Qual è il numero successivo in questa frase?
16:51
Here's three visions of an object.
371
986000
2000
Ecco tre visuali di un oggetto.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Qual è la quarta? Ecco come la verifichiamo. E' tutto relativo a una previsione.
16:57
So what is the recipe for brain theory?
373
992000
3000
Quindi, qual è la ricetta per la teoria del cervello?
17:00
First of all, we have to have the right framework.
374
995000
3000
Prima di tutto, dovremmo avere la giusta struttura.
17:03
And the framework is a memory framework,
375
998000
2000
E la struttura è una struttura di memoria,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
non è una struttura di calcolo o di comportamento.E' una struttura di memoria.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Come fate a immagazzinare e ricordare queste sequenze o modelli? Sono modelli spazio temporali.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Allora, se in tale struttura si prendono un gruppo di teorici.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Ora i biologi non sono generalmente buoni teorici.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Non è sempre vero, ma in generale, non c'è una buona storia di teoria in biologia.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Così ho trovato che le persone migliori per lavorarci sono i fisici,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
ingegneri e matematici, che tendono a pensare algoritmicamente.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Allora dovrebbero imparare l'anatomia e hanno iniziato a imparare la fisiologia.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Dovresti costruire queste teorie in modo molto realistico in termini anatomici.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Chi si alza in piedi e vi spiega la propria teoria su come funziona il cervello
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
e non vi dice esattamente come essa lavora nel cervello
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
e come l'impianto elettrico lavora nel cervello, non ha una teoria,
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
E questo è quello che stiamo facendo al Redwood Neuroscience Institute.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Mi piacerebbe avere più tempo per dirvi che stiamo facendo progressi fantastici in questa cosa,
17:48
and I expect to be back up on this stage,
390
1043000
2000
e mi aspetto di tornare su questo punto,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
forse questo avverrà in un futuro non troppo lontano e vi racconterò a proposito di questo.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Sono molto, molto eccitato. Questo non richiederà affatto 50 anni.
17:55
So what will brain theory look like?
393
1050000
2000
Così a cosa somiglierà la teoria del cervello?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Prima di tutto, sarà una teoria sulla memoria.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Non come la memoria del computer. Non è affatto come la memoria di un computer.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
E' molto, molto diversa. Ed è una memoria di quei modelli
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
ad alta-dimensione, come le cose che vengono dai vostri occhi.
18:07
It's also memory of sequences.
398
1062000
2000
E' anche la memoria di sequenze.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Non potete apprendere o ricordare qualche cosa al di fuori di una sequenza.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Una canzone deve essere ascoltata in una sequenza nel tempo,
18:14
and you must play it back in sequence over time.
401
1069000
3000
e la si deve riprodurre in una sequenza nel tempo.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
E queste sequenze sono ricordate in modo auto-associativo, quindi se vedo qualcosa,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
sento qualcosa, me la ricordo ed essa la riproduce automaticamente.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
E’ una riproduzione automatica. E la previsione di input futuri è l'output desiderato.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
E come ho detto, la teoria deve essere biologicamente accurata,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
deve essere verificabile, e dovete essere in grado di costruirla.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Se non la costruite, non la capite. Quindi, ancora un'altra diapositiva qui.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Quindi, che cosa risulterà da questo? Costruiremo veramente macchine intelligenti?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Assolutamente. E sarà diverso da quello che le persone pensano.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Nella mia mente non c'è dubbio che accadrà.
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
Prima di tutto, le costruiremo, costruiremo i materiali di silicio.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Le stesse tecniche che usiamo per costruire le memorie di silicio per computer
18:54
we can use for here.
413
1109000
1000
si possono usare per queste.
18:55
But they're very different types of memories.
414
1110000
2000
Ma sono tipi molto diversi di memorie.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
Andremo a fissare queste memorie ai sensori,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
e i sensori sperimenteranno la vita reale, i dati del mondo reale,
19:02
and these things are going to learn about their environment.
417
1117000
2000
e queste cose impareranno dal loro ambiente.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Ora è molto improbabile che la prima cosa che vedrete sarà simile ai robot.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Non che i robot non siano utili e le persone non possano costruire robot.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Ma la parte robotica è la parte più difficile. Questo è il vecchio cervello.Questo è veramente difficile.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Il nuovo cervello è in realtà più facile di quello vecchio.
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
Così le prime cose che faremo sono le cose che non richiedono eccessiva robotica.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Quindi non vedrete C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Vedrete cose tipo veicoli intelligenti
19:23
that really understand what traffic is and what driving is
425
1138000
3000
che realmente capiscono cosa è il traffico e cosa è guidare
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
e hanno imparato che alcuni tipi di auto con i sensori accesi per mezzo minuto,
19:29
probably aren't going to turn, things like that.
427
1144000
2000
probabilmente non gireranno, cose come queste.
19:31
(Laughter)
428
1146000
1000
(Risate)
19:32
We can also do intelligent security systems.
429
1147000
2000
Possiamo anche fare i sistemi di sicurezza intelligenti.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Ovunque noi usiamo il nostro cervello, senza fare un sacco di movimenti meccanici.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Queste sono le cose che accadranno prima.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Ma in sostanza, non ci sono limiti alle possibilità qui.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Io non so come gireranno le cose.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Conosco un sacco di gente che ha inventato il microprocessore
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
e se parlate con loro, essi sapevano che quello che stavano facendo era davvero significativo,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
ma non sapevano cosa stava per accadere.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Non potevano anticipare i telefoni cellulari e Internet e tutto questo genere di cose.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Sapevano solo come, hey, che stavano per costruire calcolatori
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
e controllori dei semafori. Ma sarà grande.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
Analogamente, questo è come la scienza del cervello e queste memorie
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
saranno tecnologia fondamentale, e porteranno
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
cambiamenti incredibili nei prossimi 100 anni.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
E sono ancor più eccitato per come li useremo nella scienza.
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
Allora, penso che questo sia tutto il tempo che avevo, l'ho superato e finirò la mia discussione
20:19
right there.
445
1194000
1000
proprio qui.
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