TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Un computer che funziona come il cervello: Kwabena Boahen
Filmed:
Readability: 4.2
718,375 views
Il ricercatore Kwabena Boahen cerca di capire come riprodurre nel silicio le capacità super-computazionali del cervello, perché i processi disordinati e ridondanti che avvengono dentro le nostre teste danno vita ad un computer piccolo, leggero e super veloce.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Ho ricevuto il mio primo computer da adolescente, ad Accra,
00:23
and it was a really cool device.
1
5000
3000
ed era uno strumento davvero fantastico.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Potevi giocarci, potevi programmarlo in BASIC.
00:31
And I was fascinated.
3
13000
2000
E ne ero affascinato.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Così andai in biblioteca per capirne il funzionamento.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Lessi di come la CPU spostasse continuamente i dati
00:44
between the memory, the RAM and the ALU,
6
26000
4000
avanti e indietro fra la memoria, la RAM e l'ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
l'unità logico-aritmetica.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
E pensai che la CPU dovesse fare davvero uno sforzo enorme
00:54
just to keep all this data moving through the system.
9
36000
4000
per mantenere tutti questi dati in movimento nel sistema.
00:58
But nobody was really worried about this.
10
40000
3000
Ma nessuno sembrava preoccuparsene.
01:01
When computers were first introduced,
11
43000
2000
Quando i computer cominciarono a diffondersi,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
si diceva che fossero un milione di volte più veloci dei neuroni.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
La gente era esaltata, e si pensava che presto avrebbero superato
01:11
the capacity of the brain.
14
53000
3000
le capacità del cervello.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Questa è una citazione da Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"Fra 30 anni, porre una domanda a un computer sarà facile
01:21
as to ask a person."
17
63000
2000
come porla a una persona."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Questo nel 1946. Oggi, nel 2007, questo non è ancora vero.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
La domanda è: perché non riusciamo ad osservare
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
nei computer quelle capacità che osserviamo nel cervello?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
La gente non si rende conto, e io sto appena cominciando a farlo,
01:42
is that we pay a huge price for the speed
22
84000
2000
dell'enorme prezzo da pagare per quella velocità
01:44
that we claim is a big advantage of these computers.
23
86000
4000
che affermiamo essere il grande vantaggio di questi computer.
01:48
Let's take a look at some numbers.
24
90000
2000
Diamo un'occhiata ad alcune cifre.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Questo è Blue Gene, il computer più veloce al mondo.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Ha 120.000 processori in grado di processare
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 quadrilioni di bit di informazione al secondo.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Cioè 10 alla sedicesima. E consumano un megawatt e mezzo di energia.
02:09
So that would be really great, if you could add that
29
111000
3000
Sarebbe davvero grandioso poterlo annettere
02:12
to the production capacity in Tanzania.
30
114000
2000
alla capacità produttiva tanzanese.
02:14
It would really boost the economy.
31
116000
2000
Di certo ne incoraggerebbe l'economia.
02:16
Just to go back to the States,
32
118000
4000
Ma tornando agli Stati Uniti,
02:20
if you translate the amount of power or electricity
33
122000
2000
se traduciamo la quantità di energia o elettricità
02:22
this computer uses to the amount of households in the States,
34
124000
3000
consumata da questo computer in consumi domestici americani,
02:25
you get 1,200 households in the U.S.
35
127000
4000
si ottengono 1.200 case:
02:29
That's how much power this computer uses.
36
131000
2000
questo computer consuma come 1200 famiglie!
02:31
Now, let's compare this with the brain.
37
133000
3000
Confrontiamolo col cervello, ora.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Questa è una fotografia del cervello della ragazza di Rory Sayres.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory è un dottorando di Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Studia il cervello con la risonanza magnetica e lo ritiene
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
il più bel cervello che lui abbia mai esaminato.
02:48
(Laughter)
42
150000
2000
(Risate)
02:50
So that's true love, right there.
43
152000
3000
C'è del vero amore, in questo!
02:53
Now, how much computation does the brain do?
44
155000
3000
Quanti calcoli svolge il cervello?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Direi 10 alla 16 bit al secondo,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
cioè più o meno quanti ne svolge Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
La domanda sorge spontanea, allora:
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
a parità di calcoli, e di elaborazioni,
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
quanta energia o elettricità usa il cervello?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
La stessa del vostro portatile:
03:15
it's just 10 watts.
51
177000
2000
solo 10 watts.
03:17
So what we are doing right now with computers
52
179000
3000
I computer svolgono con l'energia consumata
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
da 1.200 case la stessa mole di lavoro
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
che il cervello svolge con l'energia consumata dal vostro portatile!
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
La domanda è quindi: come fa il cervello ad essere
03:31
And let me just summarize. So the bottom line:
56
193000
2000
così efficiente? Fatemi ricapitolare:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
il cervello elabora la stessa mole di informazione usando
03:37
than we do right now with this computer technology that we have.
58
199000
4000
100.000 volte meno energia dell'attuale tecnologia informatica.
03:41
How is the brain able to do this?
59
203000
2000
Come fa?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Osserviamo il funzionamento del cervello,
03:46
and then I'll compare that with how computers work.
61
208000
4000
e dopo confrontiamolo col funzionamento dei computer.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Questa clip è tratta da un documentario della PBS, "The Secret Life of the Brain."
03:54
It shows you these cells that process information.
63
216000
3000
Vi mostra queste cellule che elaborano informazione,
03:57
They are called neurons.
64
219000
1000
chiamate neuroni.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Si scambiano fra loro piccoli impulsi elettrici,
04:04
and where they contact each other, those little pulses
66
226000
2000
e quando si toccano, questi impulsi
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
possono saltare da un neurone all'altro.
04:08
That process is called a synapse.
68
230000
3000
Questo processo si chiama sinapsi.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Abbiamo un'enorme rete di cellule,
04:13
about 100 million of them,
70
235000
2000
circa 100 milioni, che interagiscono fra di loro
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
inviandosi circa 10 quadrilioni di impulsi al secondo.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Questo è più o meno ciò che sta avvenendo adesso nel vostro cervello.
04:25
How does that compare with the way computers work?
73
247000
2000
E i computer come funzionano, invece?
04:27
In the computer, you have all the data
74
249000
2000
Nel computer, ogni dato
04:29
going through the central processing unit,
75
251000
2000
passa per l'unità centrale di elaborazione:
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
ogni frammento di informazione deve passare da quel "collo".
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Nel cervello ci sono i neuroni, invece,
04:38
and the data just really flows through a network of connections
78
260000
4000
e i dati scorrono attraverso una rete di connessioni
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
neuronali senza "colli" di sorta.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Si tratta di un network nel vero senso della parola.
04:48
The net is doing the work in the brain.
81
270000
4000
Nel cervello, è la rete a svolgere il lavoro.
04:52
If you just look at these two pictures,
82
274000
2000
Se osservate queste due foto,
04:54
these kind of words pop into your mind.
83
276000
2000
sono queste le parole che vi saltano agli occhi.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Questo è seriale e rigido: come le macchine su una superstrada,
05:00
everything has to happen in lockstep --
85
282000
3000
tutto deve accadere a passo di marcia.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Mentre questo è parallelo e fluido,
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
l'informazione è elaborata in modo molto dinamico e adattivo.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Non sono il primo ad averlo scoperto. Ecco una citazione, da Brian Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"Il problema dei computer è che non c'è abbastanza Africa dentro di loro."
05:16
(Laughter)
90
298000
6000
(Risate)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian pronunciò questa frase nel 1995.
05:25
And nobody was listening then,
92
307000
3000
Nessuno lo stette a sentire, all'epoca,
05:28
but now people are beginning to listen
93
310000
2000
ma adesso le persone iniziano a rivalutarlo
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
perché dobbiamo affrontare una pressante questione tecnologica,
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
alla quale vi introdurrò brevemente con le prossime diapositive.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Dunque, c'è una somiglianza davvero notevole
05:44
between the devices that we use to compute in computers,
97
326000
5000
tra i componenti di calcolo che mettiamo nei computer
05:49
and the devices that our brains use to compute.
98
331000
4000
e quelli usati dai nostri cervelli.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
I computer usano i cosiddetti transistor.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Questo elettrodo chiamato 'gate' [porta] controlla il flusso di corrente
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
dalla "sorgente" al "pozzo", che sono questi due elettrodi.
06:04
And that current, electrical current,
102
346000
2000
Quella corrente elettrica
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
è trasportata da elettroni, proprio come avviene nelle vostre case.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Quando il gate si apre, la quantità di corrente
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
aumenta, con un conseguente flusso uniforme della stessa.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
Quando si chiude, nel dispositivo non passa corrente.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
I vostri computer usano la presenza di questa corrente per rappresentare un 1
06:30
and the absence of current to represent a zero.
108
372000
4000
e l'assenza di corrente per rappresentare uno 0.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Man mano che i transistor si rimpiccioliscono,
06:40
they no longer behave like this.
110
382000
2000
adottano però un comportamento diverso.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Stanno infatti iniziando a comportarsi come lo strumento di calcolo neuronale,
06:47
which is called an ion channel.
112
389000
2000
chiamato canale ionico.
06:49
And this is a little protein molecule.
113
391000
2000
Questa è una piccola molecola proteica,
06:51
I mean, neurons have thousands of these.
114
393000
4000
i neuroni ne hanno a migliaia.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
La molecola si trova sulla membrana della cellula, e ha un poro.
06:59
And these are individual potassium ions
116
401000
3000
E questi sono singoli ioni di potassio
07:02
that are flowing through that pore.
117
404000
2000
che scorrono attraverso quel poro.
07:04
Now, this pore can open and close.
118
406000
2000
Questo poro può aprirsi e chiudersi.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Ma quando è aperto, siccome gli ioni devono allinearsi
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
e passare uno alla volta, il risultato è un flusso di corrente
07:16
it's a sporadic flow of current.
121
418000
3000
sporadico, incostante.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
Anche quando il poro si chiude - cosa che i neuroni possono fare,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
possono aprire e chiudere questi pori per generare attività elettrica -
07:27
even when it's closed, because these ions are so small,
124
429000
3000
anche quando è chiuso un po' di questi ioni,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
piccoli come sono, a volte si immettono.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Quando il poro è aperto, quindi,
07:36
you get some current sometimes.
127
438000
2000
a volte si genera della corrente.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Questi sono i vostri uno, ma in mezzo ci sono anche degli zero.
07:41
And when it's closed, you have a zero,
129
443000
4000
Quando è chiuso, ecco i vostri zero,
07:45
but you have a few ones thrown in.
130
447000
3000
ma in mezzo ci sono anche degli uno.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Ecco: i transistor cominciano a funzionare nello stesso modo.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Oggi, con la tecnologia del 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
i transistor sono ancora abbastanza grandi
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
da far passare più elettroni simultaneamente, uno di fianco all'altro.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
In questo modo, infatti, possono passare simultaneamente circa 12 elettroni.
08:09
And that means that a transistor corresponds
136
471000
2000
Ciò significa che un transistor corrisponde
08:11
to about 12 ion channels in parallel.
137
473000
3000
a circa 12 canali ionici paralleli.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Nel giro di qualche anno, entro il 2015, i transistor saranno ancora più piccoli.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
È questo che fa Intel per poter aggiungere sempre più core al chip:
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
la vostra chiavetta USB, per esempio, adesso può caricare un gigabyte
08:27
of stuff on them -- before, it was 256.
141
489000
2000
di dati: prima erano 256 Mb.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
E perché tutto ciò sia possibile, i transistor si stanno rimpicciolendo,
08:32
and technology has really benefitted from that.
143
494000
3000
con grandi vantaggi per la tecnologia.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Ma nel 2015 i transistor saranno così piccoli
08:40
that it corresponds to only one electron at a time
145
502000
3000
che solo un elettrone alla volta
08:43
can flow through that channel,
146
505000
2000
potrà passare dal canale, analogamente a quello
08:45
and that corresponds to a single ion channel.
147
507000
2000
che succede in un singolo canale ionico.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Cominceranno a verificarsi gli stessi "ingorghi" dei canali ionici:
08:51
The current will turn on and off at random,
149
513000
3000
la corrente si accenderà e spegnerà a caso,
08:54
even when it's supposed to be on.
150
516000
2000
anche quando dovrebbe essere accesa.
08:56
And that means your computer is going to get
151
518000
2000
Nel vostro computer, quindi,
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
gli uni e gli zeri si mischieranno e il computer subirà un crash.
09:02
So, we are at the stage where we
153
524000
4000
Siamo quindi al punto in cui
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
non sappiamo davvero come computare con questo tipo di strumenti.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
La sola cosa a nostra conoscenza
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
che sappia computare con questo tipo di strumenti è il cervello.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Un computer seleziona uno specifico dato dalla memoria,
09:19
it sends it into the processor or the ALU,
158
541000
3000
lo manda al processore o all'ALU,
09:22
and then it puts the result back into memory.
159
544000
2000
e poi rimanda il risultato alla memoria.
09:24
That's the red path that's highlighted.
160
546000
2000
Questo è il percorso, evidenziato in rosso.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
Nel cervello ci sono [invece] tutti questi neuroni.
09:30
And the way they represent information is
162
552000
2000
Rappresentano l'informazione
09:32
they break up that data into little pieces
163
554000
2000
frantumando i dati in piccoli pezzi
09:34
that are represented by pulses and different neurons.
164
556000
3000
che vengono rappresentati da impulsi e da diversi neuroni.
09:37
So you have all these pieces of data
165
559000
2000
Così tutti questi pezzi di dati
09:39
distributed throughout the network.
166
561000
2000
si distribuiscono lungo il network.
09:41
And then the way that you process that data to get a result
167
563000
3000
Per ottenere un risultato, quindi, si processano quei dati
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
traducendo questo schema di attività in un nuovo schema di attività,
09:48
just by it flowing through the network.
169
570000
3000
facendolo scorrere nel network.
09:51
So you set up these connections
170
573000
2000
Si generano così queste connessioni,
09:53
such that the input pattern just flows
171
575000
3000
tali per cui lo schema d'ingresso scorre
09:56
and generates the output pattern.
172
578000
2000
e genera lo schema di uscita.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Qui potete notare la presenza di queste connessioni ridondanti.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Così se questo o quel pezzo di informazione viene distrutto,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
e qui non si vede, questi due pezzi possono attivare la parte mancante
10:11
with these redundant connections.
176
593000
2000
grazie a queste connessioni ridondanti.
10:13
So even when you go to these crappy devices
177
595000
2000
E così anche con questi strumenti modesti,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
che a volte danno zero quando desideri un uno,
10:18
there's redundancy in the network
179
600000
2000
la ridondanza del network
10:20
that can actually recover the missing information.
180
602000
3000
permette di recuperare l'informazione mancante.
10:23
It makes the brain inherently robust.
181
605000
3000
Questo rende il cervello intrinsecamente robusto.
10:26
What you have here is a system where you store data locally.
182
608000
3000
In questo sistema, i dati vengono immagazzinati localmente.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Ed è fragile, perché ogni passaggio deve essere perfetto,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
altrimenti i dati si perdono. Invece il sistema cerebrale
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
conserva i dati in maniera distribuita, ed è quindi robusto.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Vorrei parlarvi del mio sogno
10:44
which is to build a computer that works like the brain.
187
626000
3000
di costruire un computer che funziona come il cervello.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
È un progetto al quale stiamo lavorando da un paio di anni.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Vi mostrerò un sistema
10:54
to model the retina,
190
636000
3000
che abbiamo progettato per modellare la retina,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
che è un pezzo di cervello che riveste l'interno dei bulbi oculari.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Non l'abbiamo fatto scrivendo un codice, come si fa coi computer.
11:08
In fact, the processing that happens
193
650000
3000
In realtà, l'elaborazione che avviene
11:11
in that little piece of brain is very similar
194
653000
2000
in quel piccolo pezzo di cervello è molto simile
11:13
to the kind of processing that computers
195
655000
1000
a quella svolta
11:14
do when they stream video over the Internet.
196
656000
4000
dai computer quando trasmettono i video su Internet.
11:18
They want to compress the information --
197
660000
1000
I dati vengono compressi-
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
vengono trasmessi i cambiamenti dell'immagine e così via -
11:23
and that is how your eyeball
199
665000
3000
e così il bulbo oculare
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
è in grado di far passare tutta l'informazione nel nervo ottico,
11:29
to send to the rest of the brain.
201
671000
2000
che la manda al resto al cervello.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Invece di fare questo con un software, o svolgere questo tipo di algoritmi,
11:34
we went and talked to neurobiologists
203
676000
3000
siamo andati a consultare i neurobiologi
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
che hanno fatto ingegneria inversa sulla retina.
11:41
And they figured out all the different cells,
205
683000
2000
Hanno mappato tutte le diverse cellule,
11:43
and they figured out the network, and we just took that network
206
685000
3000
hanno ricostruito il network, e poi noi
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
abbiamo preso quel network come modello per un chip al silicio.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
I neuroni sono ora rappresentati da nodi o circuiti del chip
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
e le connessioni fra i neuroni sono riprodotte dai transistor,
12:01
And these transistors are behaving essentially
210
703000
2000
che in sostanza si comportano
12:03
just like ion channels behave in the brain.
211
705000
3000
proprio come i canali ionici del cervello.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Questo ci darà la stesso tipo di architettura robusta che ho descritto.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Ecco com'è fatto il nostro occhio artificiale.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Il chip della retina che abbiamo progettato sta dietro questa lente.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Vi mostrerò il filmato
12:22
that the silicon retina put out of its output
216
724000
3000
dell'output di questa retina al silicio,
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
mentre guardava Karen Zaghloul,
12:28
who's the student who designed this chip.
218
730000
2000
lo studente che ha progettato questo chip.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Lasciate che vi spieghi cosa vedrete.
12:32
because it's putting out different kinds of information,
220
734000
3000
Poiché emette diversi tipi di informazione,
12:35
it's not as straightforward as a camera.
221
737000
2000
la retina non è "diretta" come una telecamera.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Il chip della retina estrae infatti quattro tipi diversi di informazione.
12:40
It extracts regions with dark contrast,
223
742000
3000
Estrae le aree a contrasto scuro,
12:43
which will show up on the video as red.
224
745000
3000
qui visualizzate in rosso,
12:46
And it extracts regions with white or light contrast,
225
748000
4000
e quelle a contrasto bianco o chiaro,
12:50
which will show up on the video as green.
226
752000
2000
qui visualizzate in verde.
12:52
This is Kareem's dark eyes
227
754000
2000
Qui vedete gli occhi neri di Kareen
12:54
and that's the white background that you see here.
228
756000
3000
e quello è lo sfondo bianco che vedete qui.
12:57
And then it also extracts movement.
229
759000
2000
Cattura il movimento, poi.
12:59
When Kareem moves his head to the right,
230
761000
2000
Quando Kareem muove la testa verso destra,
13:01
you will see this blue activity there;
231
763000
2000
potete notare questa attività blu,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
che rappresenta un aumento di contrasto nell'immagine,
13:06
that's where it's going from dark to light.
233
768000
3000
il passaggio dal buio alla luce.
13:09
And you also see this yellow activity,
234
771000
2000
Inoltre vedete questa attività gialla,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
che rappresenta una diminuzione del contrasto,
13:15
it's going from light to dark.
236
777000
2000
il passaggio dalla luce al buio.
13:17
And these four types of information --
237
779000
3000
E questi quattro tipi di informazione --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
il vostro nervo ottico contiene circa un milione di fibre,
13:24
and 900,000 of those fibers
239
786000
3000
e 900.000 di queste fibre
13:27
send these four types of information.
240
789000
2000
inviano questi quattro tipi di informazione.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Stiamo davvero replicando, quindi, il tipo di segnali che passano nel nervo ottico.
13:33
What you notice here is that these snapshots
242
795000
3000
Potete notare come queste immagini
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
prese dall'uscita della retina siano molto "disperse".
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Lo sfondo non è illuminato ovunque di verde,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
solo ai bordi, e così via.
13:45
And this is the same thing you see
246
807000
1000
Lo stesso avviene
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
quando si comprimono i video da inviare: vogliono renderli molto "sparsi"
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
perché quel file è compresso. Questa è l'attività retinica,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
che avviene grazie ai circuiti, ed al network di neuroni
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
interessati, che abbiamo riprodotto nel chip.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Ma ora vi mostro la questione importante.
14:03
So this image here is going to look like these ones,
252
825000
3000
Questa immagine somiglia a queste altre,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
ma qui vi mostrerò che possiamo ricostruirla,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
e potete quasi riconoscere Kareem nella parte superiore.
14:13
And so, here you go.
255
835000
2000
Guardiamo.
14:24
Yes, so that's the idea.
256
846000
3000
Ecco, così vi fate un'idea.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Quando sta fermo, vedete solo i chiaroscuri.
14:29
But when it's moving back and forth,
258
851000
2000
Ma quando si muove avanti e indietro,
14:31
the retina picks up these changes.
259
853000
3000
la retina coglie questi cambiamenti.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Ecco perché, da fermi,
14:35
and something happens in your background,
261
857000
2000
se qualcosa avviene ai bordi della visione
14:37
you merely move your eyes to it.
262
859000
2000
muovete solo i vostri occhi.
14:39
There are these cells that detect change
263
861000
2000
Ci sono queste cellule che rilevano il cambiamento
14:41
and you move your attention to it.
264
863000
2000
e voi gli dedicate attenzione.
14:43
So those are very important for catching somebody
265
865000
2000
Sono molto importanti per rilevare qualcosa
14:45
who's trying to sneak up on you.
266
867000
2000
che sta cercando di aggredirvi.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Lasciate che concluda mostrando cosa succede
14:50
when you put Africa in a piano, OK.
268
872000
3000
quando mettete l'Africa in un pianoforte.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Questa è una batteria modificata,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
e questo è ciò che avviene quando mette l'Africa in un pianoforte.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
E vorrei che riuscissimo a mettere l'Africa nell'informatica,
15:03
and come up with a new kind of computer
272
885000
2000
e a realizzare un nuovo tipo di computer
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
in grado di pensare, essere creativo e così via.
15:08
Thank you.
274
890000
2000
Grazie.
15:10
(Applause)
275
892000
2000
(Applausi)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
(Chris Anderson): Ho una domanda per te, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Nella tua mente, la tua ricerca
15:18
the future of Africa, this conference --
278
900000
3000
e il futuro dell'Africa sono legate?
15:21
what connections can we make, if any, between them?
279
903000
3000
In che modo possiamo connettere le due cose?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
(Kwabena Boahen): Sì. Come ho detto all'inizio,
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
ho avuto il primo computer da adolescente, ad Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
E avevo la sensazione viscerale che fosse costruito in modo sbagliato.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Lo trovavo rozzo, e ispirato a una logica di forza bruta.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Non penso che avrei avuto questa reazione,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
se fossi cresciuto leggendo fantascienza,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
col mito di R2D2, o come si chiamava, e con quella
15:46
buying into this hype about computers.
287
928000
1000
euforia informatica.
15:47
I was coming at it from a different perspective,
288
929000
2000
Sono arrivato ai computer da un'altra prospettiva,
15:49
where I was bringing that different perspective
289
931000
2000
ed è stata quella diversa prospettiva
15:51
to bear on the problem.
290
933000
2000
il mio contributo al problema.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Penso che molte persone, in Africa, abbiano questa diversa prospettiva,
15:56
and I think that's going to impact technology.
292
938000
2000
e penso che questo impatterà sulla tecnologia,
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
e sulla sua evoluzione
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
E che si potrà sfruttare questa "contaminazione"
16:02
to come up with new things,
295
944000
2000
per realizzare cose nuove,
16:04
because you're coming from a different perspective.
296
946000
3000
perché apportiamo una prospettiva diversa.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Penso che possiamo contribuire, possiamo sognare come chiunque altro.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
(C.A.): È stato davvero interessante, Kwabena.
16:13
Thank you.
299
955000
1000
Grazie.
16:14
(Applause)
300
956000
2000
(Applausi)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com