TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins - om hvordan hjerneforskning vil endre datamaskiner
Filmed:
Readability: 3.2
1,674,773 views
Jeff Hawkins, mannen bak Treo, oppfordrer oss til å se på hjernen i et nytt perspektiv. Han mener vi ikke skal se den som en rask prosessor, men heller som et minnesystem som lagrer og spiller av erfaringer for å hjelpe oss å forutse det neste som skal skje.
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
Jeg gjør to ting. Jeg designer mobile datamaskiner og jeg studerer hjerner.
00:29
And today's talk is about brains and,
1
4000
2000
Og i dag skal jeg prate om hjerner og,
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
hei, det er en hjernefan her.
00:33
(Laughter)
3
8000
2000
(Latter)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Jeg skal, om jeg kan få mitt første lysbilde opp her...
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
du vil se tittelen på mitt foredrag og mine to tilknytninger.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Så, det jeg skal prate om er hvorfor vi ikke har en god teori om hvordan hjernen virker,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
hvorfor det er viktig at vi bør utvikle en og hvordan vi kan gjøre det.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
Og jeg skal prøve å fortelle alt dette på 20 minutter. Jeg har to tilknytninger.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
De fleste av dere kjenner meg fra mine Palm Pilot- og Handspringdager,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
men jeg driver også en ideell organisasjon, et vitenskaplig forskningsinstitutt
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
kalt Redwood Nevrovitenskaplige institutt i Menlo Park,
00:59
and we study theoretical neuroscience,
12
34000
2000
og vi studerer teoretisk nevrovitenskap,
01:01
and we study how the neocortex works.
13
36000
2000
og vi studerer hvordan hjernebarken fungerer.
01:03
I'm going to talk all about that.
14
38000
2000
Jeg kommer bare til å prate om det.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Jeg har bare ett lysbilde om mitt andre liv, datamaskinlivet, og det er det lysbildet dere ser her.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Dette er noen av produktene jeg har jobbet med i de siste 20 årene,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
jeg startet med en av de aller første bærbare datamaskinene og notatblokk PC-er
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
også videre, og endte senest opp med Treo,
01:17
and we're continuing to do this.
19
52000
2000
og vi fortsetter å med å jobbe med dette.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Og jeg har gjort dette fordi jeg virkelig tror at bærbare datamaskiner
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
er fremtiden til personlige datamaskiner og jeg prøver å gjøre verden
01:24
a little bit better by working on these things.
22
59000
3000
bitte litt bedre ved å jobbe med disse tingene.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Jeg må innrømme at dette faktisk var et uhell.
01:29
I really didn't want to do any of these products
24
64000
2000
Jeg ville egentlig ikke jobbe med noen av disse produktene
01:31
and very early in my career I decided
25
66000
2000
og tidlig i min karriere bestemte jeg meg for at
01:33
I was not going to be in the computer industry.
26
68000
3000
jeg ikke skulle forbli i datamaskinindustrien.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Og før jeg forteller deg om det må jeg bare fortelle deg om
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
dette lille bildet av graffiti som jeg fant på weben her om dagen.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Jeg leitet etter et bilde av graffiti,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
og jeg fant en webside for lærere som vil lage slike,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
du vet, slike som man skriver ting på og henger opp over krittavlen,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
og de hadde dekorert disse med graffiti, og det er jeg lei meg for.
01:52
(Laughter)
33
87000
2000
(Latter)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Så, det som skjedde var at, når jeg var ung og gikk ut av ingeniørskolen i
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
Cornell i 1979 bestemte jeg meg for å jobbe for Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Jeg jobbet i datamaskinindustrien, og tre måneder senere
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
forelsket jeg meg i noe annet, og sa til meg selv: "Jeg gjorde feil karrierevalg",
02:10
and I fell in love with brains.
38
105000
3000
og forelsket meg i hjerner.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Dette er ikke en ekte hjerne. Dette er en strektegning av en hjerne.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Men jeg husker ikke helt hva som skjedde,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
men jeg har et minne som jeg husker godt.
02:22
In September 1979, Scientific American came out
42
117000
3000
I september 1979 kom magasinet Scientific American ut
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
i en utgave som bare omhandlet hjerner. Og det var en veldig bra utgave.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Faktisk var det en av de beste utgavene noensinne. Og det handlet om hjerneceller
02:31
and development and disease and vision and all the things
45
126000
2000
og utvikling og sykdommer og visjoner og alt
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
du kan tenkes å lure på om hjerner. Det var virkelig imponerende.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
Og man kan få inntrykk av at vi vet mye om hjernen.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Men den siste artikkelen i denne utgaven var skrevet av Francis Crick, kjent for oppdagelsen av DNA.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Jeg tror forresten dagen i dag er 50 års dagen for oppdagelsen av DNA.
02:46
And he wrote a story basically saying,
50
141000
2000
Og han skrev en historie hvor han hovedsaklig sa,
02:48
well, this is all well and good, but you know what,
51
143000
3000
tja, dette er vel og bra. Men vet du hva?
02:51
we don't know diddley squat about brains
52
146000
2000
Vi vet ikke noe som helst om hjerner
02:53
and no one has a clue how these things work,
53
148000
2000
og ingen aner noe om hvordan disse fungerer,
02:55
so don't believe what anyone tells you.
54
150000
2000
så ikke tro på noe av det du blir fortalt.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Dette er et sitat fra artikkelen. Han sa: "Hva som åpenbart mangler",
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
han er en anstendig britisk herremann, "Hva som åpenbart mangler
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
er et bredt rammeverk som kan benyttes til å tolke ulike tilnærminger".
03:07
I thought the word framework was great.
58
162000
2000
Jeg syntes at ordet rammeverk var genialt.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Han sa ikke at vi ikke hadde en teori. Han sa at:
03:11
we don't even know how to begin to think about it --
60
166000
2000
vi ikke engang vet hvordan vi skal begynne å tenke på det --
03:13
we don't even have a framework.
61
168000
2000
vi har ikke engang et rammeverk.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Vi er i de preparadigme dagene, som Thomas Kuhn ville sagt.
03:18
And so I fell in love with this, and said look,
63
173000
3000
Også forelsket jeg meg i dette, og sa hør her,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
vi har en masse kunnskap om hjerner. Hvor vanskelig kan det være?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
Og her kan vi utrette noe i min livstid. Jeg følte jeg kunne gjøre en forskjell,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
så jeg prøvde å komme ut av datamaskinindustrien og inn i hjernemiljøet.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Først gikk jeg til MIT, der fantes det ett kunstig intelligens-laboratorium,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
og sa at jeg vil lage intelligente maskiner jeg også.
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
Men måten jeg vil gjøre det på er å studere hjerner først.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Og de sa, å, du trenger ikke å gjøre det.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Vi kommer bare til å programmere datamaskiner, det er det vi trenger å gjøre.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Og jeg sa nei, det dere bør gjøre er å studere hjerner. De sa, å nei
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
du tar feil. Og jeg sa, nei, dere tar feil, også fikk jeg ikke innpass.
03:48
(Laughter)
74
203000
1000
(Latter)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Men jeg var litt skuffet -- nokså ung, men jeg returnerte
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
et par år senere og denne gangen til California og gikk da til Berkeley.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Og sa, jeg vil gå inn fra den biologiske siden.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Så jeg kom inn -- i et doktogradsprogram i biofysikk, og jeg følte det var bra.
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
Jeg studerer hjerner nå og sa, vel, jeg vil studere teori.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Og de sa, å nei, du kan ikke studere teori om hjerner.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Det er ikke noe man gjør. Du kan ikke få støtte til det.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
Og som uteksaminert, kan du ikke gjøre det. Så jeg sa, å søren.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Jeg var veldig deprimert. Jeg sa, men jeg kan gjøre en forskjell på dette området.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Så det jeg gjorde var å returnere til datamaskinindustrien
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
og sa, vel jeg må jobbe her en stund, jeg må ha noe å gjøre.
04:20
That's when I designed all those computer products.
86
235000
3000
Det var da jeg designet alle de datamaskinproduktene.
04:23
(Laughter)
87
238000
1000
(Latter)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Og jeg sa, jeg vil gjøre dette i 4 år for å tjene litt penger,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
jeg var i prosessen med å etablere familie, kanskje kunne jeg modnes litt,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
og kanskje også nevrovitenskapen da hadde modnet litt.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Vel, det tok litt mer enn 4 år. Det har gått omtrent 16 år.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Men jeg gjør det nå, og jeg skal fortelle dere om det.
04:39
So why should we have a good brain theory?
93
254000
3000
Så hvorfor trenger vi en god teori om hjernen?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Vel, det er flere grunner til at folk driver med vitenskap.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
En av grunnene -- den mest grunnlegende -- er at mennesker liker å vite ting.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Vi er nysgjerrige, og vi er sugne på å få kunnskap, ikke sant?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Hvorfor studerer vi maur? Vel, det er interessant.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Kanskje lærer vi noe virkelig viktig om dem, men det er interessant og fasinerende.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Men noen ganger har en vitenskap noe ved seg
04:57
which makes it really, really interesting.
100
272000
2000
som gjør det veldig, veldig interessant.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Noen ganger vil vitenskap fortelle oss noe om oss selv,
05:02
it'll tell us who we are.
102
277000
1000
den kan fortelle oss hvem vi er.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
En sjelden gang - evolusjonen ga oss dette og Copernicus ga oss dette -
05:06
where we have a new understanding of who we are.
104
281000
2000
så får vi ny forståelse av hvem vi er.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Og vi er jo våre hjerner. Min hjerne prater til din hjerne.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Våre kropper henger med på turen, men min hjerne prater med din hjerne.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
Og hvis vi vil forstå hvem vi er og hvordan vi føler og sanser
05:18
we really understand what brains are.
108
293000
2000
må vi faktisk forstå hva hjerner er.
05:20
Another thing is sometimes science
109
295000
2000
En annen ting er at vitenskap noen ganger
05:22
leads to really big societal benefits and technologies,
110
297000
2000
leder oss til virkelig store samfunnsmessige fordeler og teknologier,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
eller forretningsmuligheter, eller hva som enn kommer ut av det. Og dette
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
er også et poeng, når vi forstår hvordan hjerner virker kommer vil til å kunne
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
bygge intelligente maskiner, og dette tror jeg vil bli en god ting for verden,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
og det kommer til å ha enorme fordeler for samfunnet
05:34
just like a fundamental technology.
115
309000
2000
på samme måte som fundamental teknologi gjorde.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Så hvorfor skulle vi ikke ha en god teori om hjerner?
05:38
And people have been working on it for 100 years.
117
313000
3000
Mennesker har jobbet med det i 100 år.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Vel, la oss først ta en kikk på andre vitenskaplige retninger og se hva de har gjort de siste 100 år.
05:43
This is normal science.
119
318000
2000
Andre vitenskaplige retninger gjør som følger.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Vanligvis arbeider disse i en god balanse mellom teorier og eksperimenter.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Så teoretikeren sier, jeg tror dette er det som skjer,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
og de som eksperimenterer sier, nei du tar feil.
05:53
And it goes back and forth, you know?
123
328000
2000
Og slik går det frem og tilbake.
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Dette fungerer innen fysikken. Det fungerer innen geologien. Men hvis dette er slik vitenskaper normalt fungerer,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
hva med hjerneforskningen? Slik ser hjerneforskningen ut.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Vi har et fjell av informasjon i form av anatomi, fysiologi og adferd.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Du kan ikke fatte hvor mye detaljer vi vet om hjerner.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Det var 28 000 mennesker på hjerneforskningskonferanse i år,
06:12
and every one of them is doing research in brains.
129
347000
2000
og alle disse forsker på hjerner.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
En masse informasjon men ingen teori. En bitte liten boks på toppen her.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Og teori har ikke spilt en rolle i noen stor grad innen hjerneforskning.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
Og det er en skam. Hvordan skjedde dette egentlig?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Om du spør en hjerneforsker, hvorfor er det slik?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
De er de første til å innrømme at det er slik. Men hvis du spør vill de si,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
vel, det er ulike grunner til at vi ikke har en god teori om hjerner.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Noen sier, vel vi har ikke nok informasjon,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
vi trenger mer informasjon, det er så mye vi ikke vet.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Vel, jeg fortalte akkurat at vi har så mye informasjon at det tyter ut av ørene.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Vi har så mye informasjon at vi ikke en vet hvordan vi skal begynne med å organisere den.
06:45
What good is more going to do?
140
380000
2000
Hvorfor skulle vi trenge mer?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Kanskje har vi flaks og oppdager en eller annen magisk faktor, men jeg tror ikke det kommer til å skje.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Og dette er faktisk et symptom av at vi ikke har en teori.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Vi trenger ikke mer data -- vi trenger en god teori.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
I andre tilfeller sier noen at hjerner er så komplekse,
06:59
it'll take another 50 years.
145
394000
2000
at det kommer til å ta ytterlige 50 år.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Jeg tror faktisk til og med Chris sa noe sånt i går.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Jeg er ikke helt sikker på hva du sa Chris, men det var noe sånt,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
vel, det er en av de mest kompliserte ting i universet. Det er faktisk ikke sant.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Du er mer komplisert enn din hjerne. Du har jo en hjerne.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
Det er også sånn, selv om hjerner er komplekse, så er
07:12
things look complicated until you understand them.
151
407000
3000
ting komplekse inntil vi forstår dem.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Det har alltid vært slik. Så alt vi kan si, vel,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
min hjernebark, som er den delen av hjernen jeg er interessert i, har 30 milliarder celler.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Men vet du hva? Den er veldig regelmessig.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Faktisk så ser det ut som om det samme prinsippet gjelder hele veien.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Så den er ikke så kompleks som den ser ut. Det er ikke der problemet ligger.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Noen sier at hjerner kan ikke forstå hjerner.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Veldig Zen-aktig. Whow. Ikke sant.
07:35
You know,
159
430000
1000
(Latter)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Det høres bra ut, men hvorfor? Jeg mener, hva er poenget?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
Det er jo bare en klase med celler. Du forstår jo hvordan leveren din fungerer.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Den har jo også en masse celler, ikke sant.
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Så, jeg tror ikke det er noe i det.
07:46
And finally, some people say, well, you know,
164
441000
2000
Og den siste versjonen er at noen sier at, vel,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
jeg føler meg ikke som en klase med celler, ikke sant. Jeg er bevisst.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Jeg har denne følelsen av å eksistere i verden.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Så jeg kan ikke bare være en klase med celler.
07:56
people used to believe there was a life force to be living,
168
451000
3000
Mennesker pleide å tro at det fantes en livskraft som opprettholdt livet
07:59
and we now know that's really not true at all.
169
454000
2000
men vi vet nå at det faktisk ikke er sant.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Og det er faktisk ingen form for bevis for noe sånt, vel, annet enn at folk
08:04
just have disbelief that cells can do what they do.
171
459000
2000
bare ikke kan tro at celler kan gjøre det de gjør.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Så om noen mennesker har falt i den metafysiske dualismefellen,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
noen virkelig smarte mennesker også, så kan vi bare avvise det.
08:12
(Laughter)
174
467000
2000
(Latter)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Nei, nå skal jeg fortelle dere noe annet,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
og dette er virkelig fundamentalt, og det er:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
det finnes en annen grunn til at vi ikke har en god teori om hvordan hjernen fungerer,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
og det er fordi vi har en intuitiv og sterk,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
men feil antakelse som har hindret oss i å se svaret.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Det noe vi tror er åpenbart, men som er feil.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Det er en historie om dette innen vitenskapen, men før jeg forteller om den,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
så skal jeg fortelle dere litt om vitenskapshistorie.
08:38
You look at some other scientific revolutions,
183
493000
2000
Ser man på noen andre vitenskaplige revolusjoner,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
og da snakker jeg om solsystemet og Copernicus,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
Darwins evolusjonsteori og Wegeners oppdagelse av tektoniske plater.
08:45
They all have a lot in common with brain science.
186
500000
3000
De har alle en masse til felles med vitenskap om hjernen.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Først og fremst hadde de en masse uforklarlig data. En hel masse av det.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Men det ble mer administrerbart når man fikk en teori.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
De kloke hodene var veldig, veldig, smarte folk.
08:57
We're not smarter now than they were then.
190
512000
2000
Vi er ikke smartere nå enn de var da.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Det er bare sånn at det er virkelig vanskelig å komme på ting,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
men når du kommer på noe, så er det på en måte lett å forstå det.
09:03
My daughters understood these three theories
193
518000
2000
Mine døtre forsto det grunnleggende rammeverket i disse 3 teoriene
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
på det før de startet i barnehagen.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Og nå er det ikke vanskelig. Du vet den med, her er eplet og her er appelsinen,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
jorden går rundt og så videre.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Og til slutt en annen ting som var der hele tiden,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
men vi har liksom oversett den fordi den var så åpenbar, og det er poenget.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Det var en så intuitiv og sterk tro, som var feil.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
Som i tilfellet med solsystemet, ideen om at jorden roterte
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
og jordens overflate går rundt i to tusen kilometer i timen,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
og at jorden farer gjennom solsystemet i omtrent en halv million kilometer i timen.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Dette er galskap. Vi vet alle at jorden ikke flytter seg.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Føler du at du flytter deg i to tusen kilometer i timen?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Selvsagt ikke. Men om noen sa,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
vel, jorden spinner rundt i verdensrommet og er enormt stor
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
så ville de låst deg inne, og på den tiden så gjorde de også det.
09:41
(Laughter)
208
556000
1000
(Latter)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Så det var intuitivt og åpenbart. Men hva med evolusjonen?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
Det er det samme med evolusjonen. Vi fortalte våre barn det bibelen sa.
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
Gud skapte alle disse artene, katter er katter, hunder er hunder
09:50
people are people, plants are plants, they don't change.
212
565000
3000
mennesker er mennesker, planter er plater og de endrer seg ikke.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noah tok dem med i Arken i den rekkefølgen og bla bla bla. Og som du vet
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
sannheten er, forutsatt at du tror på evolusjonen, at vi alle har en felles stamfar,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
og at vi alle har felles opphav - med en plante i inngangspartiet.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Det er det evolusjonen forteller oss. Og det er sant. Selv om det på en måte er utrolig.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
Og det samme gjelder tektoniske plater.
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Alle fjell og kontinenter flyter liksom rundt
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
på toppen av jorden? Det høres liksom utrolig ut.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Så hva er den intuitive men korrekte antakelse
10:20
that's kept us from understanding brains?
221
595000
2000
som har gjort at vi ikke forstår hjernen?
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
Jeg skal fortelle deg det og det kommer til å høres åpenbart ut at det er korrekt,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
og det er hele poenget ikke sant? Så skal jeg komme med et argument
10:26
why you're incorrect about the other assumption.
224
601000
2000
om hvorfor du tar feil angående den antakelsen.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
Den intuitive og åpenbare er at på en måte er intelligens
10:31
is defined by behavior,
226
606000
2000
definert av adferd,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
det som definerer oss som intelligente er måten vi gjør ting på
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
og måten vi oppfører oss intelligent på, så skal jeg fortelle deg at du tar feil.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Faktum er at intelligens er definert av evnen til å forutse.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Jeg skal lede dere gjennom noen lysbilder her,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
for å presentere noen eksempler. Her er et system.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Ingeniører liker å se på systemer på en måte. Forskere liker å se på det på en annen måte.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
De sier, vel, vi har noe i en boks med innganger og utganger.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Kunstig intelligens menneskene sier da at tingen i boksen er en programmerbar datamaskin
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
fordi det blir tilsvarende en hjerne og vi forer den med inntrykk
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
og får den til å gjøre noe.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Og Alan Turning definerte Turing testen, som i korte trekk sier,
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
vel, vi vet at noe er intelligent hvis det oppfører seg som et menneske.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
En slags adferdsmessig målestokk for hva intelligens er
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
og dette trodde vi på i lang tid.
11:12
Reality though, I call it real intelligence.
241
647000
2000
Men virkeligheten er en annen, jeg kaller den virkelig-intelligens.
11:14
Real intelligence is built on something else.
242
649000
2000
Virkelig-intelligens dreier seg om noe annet.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Vi erfarer verden gjennom en sekvens av mønstre som vi lagrer,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
og vi husker disse. Og deretter gjenkaller vi disse og måler de opp
11:23
against reality, and we're making predictions all the time.
245
658000
4000
mot virkeligheten og forutser da hva som kommer til å skje. Vi gjør det hele tiden.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
Det er en evig rundgang. Det er en evig rundgang der vi på en måte sier
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
forstår vi verden? Klarer jeg å forutse hva som skal skje? Og så videre.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Dere er alle intelligente for øyeblikket, men dere gjør ingenting.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Kanskje klør du deg eller piller deg i nesen.
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
Jeg vet ikke, men du gjør ikke noe akkurat nå,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
men du er intelligent, du forstår hva jeg sier.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Fordi du er intelligent og snakker engelsk,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
vet du hvilket ord som er på slutten av denne -- (stillhet)
11:45
sentence.
254
680000
2000
setningen.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Ordet falt på plass og du forutser slik hele tiden.
11:50
And then, what I'm saying is,
256
685000
2000
Og det jeg da sier er at,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
det man hele tiden forutser er signaler fra hjernebarken.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
Og på en måte så leder det du forutser til intelligent adferd.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
Og slik virker det. La oss starte med en uintelligent hjerne.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Vi kan kalle det en uintelligent hjerne, en gammel hjerne,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
og vi sier det er fra noe som ikke er et pattedyr, som et reptil,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
så sier vi at det er en alligator. Vi tar for oss en alligator.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Og en alligator har veldig sofistikerte sanser.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Den har gode øyne og ører og føler når noe kommer bort i den og så videre
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
har den en munn og en nese. Og den har veldig kompleks adferd.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Den kan løpe og hjemme seg. Den har redsel og følelser. Og den kan spise deg.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Den kan angripe. Den kan gjøre en hel masse.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Men vi betrakter ikke alligatoren som intelligent, i hvert fall ikke på menneskelig vis.
12:32
But it has all this complex behavior already.
269
727000
2000
Men den har en masse kompleks adferd.
12:34
Now, in evolution, what happened?
270
729000
2000
Så, i evolusjonen, hva skjedde?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Det første som skjedde med pattedyr i evolusjonen,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
var at vi begynte å utvikle det som kalles hjernebarken.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Og jeg skal lage en representasjon av hjernebarken her,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
på toppen av gamle hjernen.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Den nye kortex (hjernebarken) betyr nytt lag. Den er et nytt lag på toppen av hjernen.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Om du ikke vet det så er det en skrukkete tingen helst øverst på hodet,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
og den er skrukkete fordi den ble stappet inn og ikke helt passer.
12:54
(Laughter)
278
749000
1000
(Latter)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Det er faktisk sant. Den er egentlig på størrelse med en utbrettet serviett.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
Og den passer ikke, så derfor blir den skrukkete. Se nå hvordan jeg tegner dette.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Den gamle hjernen er fortsatt der. Du har fortsatt en alligatorhjerne.
13:04
You do. It's your emotional brain.
282
759000
2000
Du har det. Det er den hjernen som håndterer følelser.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Den er alt det og alle magefølelser du har.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Og på toppen av det har vi minnesystemet, som kalles hjernebarken.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
Og minnesystemet ligger over sansedelene i hjernen.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Og når sanseimpulser kommer inn via den gamle hjernen
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
går de altså opp til minnesystemet. Og hjernebarkens oppgave er bare å huske de.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Den ligger der og sier, ah, jeg skal huske alt som foregår,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
hvor jeg har vært, mennesker jeg har sett, ting jeg har hørt og så videre.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
Og i fremtiden, når den ser noe den gjenkjenner,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
i et tilsvarende miljø, eller i det samme miljøet,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
så spilles minner av. Den starter å spille det av.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Å, jeg har vært her før. Og når du var der sist så
13:40
this happened next. It allows you to predict the future.
294
795000
3000
så hendte dette. Det muliggjør at du kan forutse hva som komme til å skje.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Det muliggjør at du, bokstavlig talt mater signaler tilbake til hjernen,
13:47
they'll let you see what's going to happen next,
296
802000
2000
og du kan da se hva som kommer til å skje,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
og muliggjør at du kan høre ordet "setning" før jeg sa det.
13:52
And it's this feeding back into the old brain
298
807000
3000
Og det er denne matingen tilbake til gamle hjernen
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
som gjør det mulig for deg å ta veldig intelligente avgjørelser.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Dette er det viktigste lysbildet i hele foredraget mitt, så vi skal dvele litt ved det.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Også sier du hele tiden at, åh, jeg kan forutse ting.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Og hvis du er en rotte og går gjennom en labyrint, så lærer du deg labyrinten,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
og neste gang du er i labyrinten gjør du det samme som sist,
14:10
but all of a sudden, you're smarter
304
825000
2000
men plutselig er du blitt smartere
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
fordi du sier, åh, jeg kjenner denne labyrinten, jeg vet hvor jeg skal gå,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
jeg har vært her før, jeg kan se for meg hva som vil skje. Og det er det den gjør.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Hos mennesker - faktisk gjelder det for alle pattedyr -
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
det gjelder for alle pattedyr og hos mennesker utviklet det seg langt.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Vi mennesker har faktisk også utviklet en fremre del
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
som kalles frontallappen. Og naturen gjorde et triks.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
den kopierte den bakre delen, som hører til sansene,
14:32
and put it in the front part.
312
847000
2000
og plasserte kopien foran.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Så mennesker er de eneste som har de samme mekanismer foran som bak,
14:36
but we use it for motor control.
314
851000
2000
men vi bruker dette til motorisk kontroll.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Dermed har vi nå muligheten til å gjøre sofistikert motorikk og så videre.
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
Jeg har ikke tid til gå for dypt i dette, men hvis du vil forstå hvordan hjerner virker
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
må du forstå hvordan den første delen av pattedyrs hjernebark virker,
14:47
how it is we store patterns and make predictions.
318
862000
2000
hvordan vi lagrer mønstre og forutser.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Så la meg gi det et par eksempler hvor du forutser.
14:52
I already said the word "sentence." In music,
320
867000
2000
Jeg sa allerede ordet "setning". I musikk,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
hvis du har hvis du har hørt en sang tidligere, hvis du har hørt Jill sine sanger før,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
når hun synger dem så popper neste note inn i hodet ditt --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
du forutser det etter hvert som det går fremover. Hvis det var et musikkalbum,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
ville neste sang, ved slutten av den pågående, starte i hodet.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
Og dette skjer hele tiden. Du prøver å forutse hva som skal skje.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Jeg har et tankeeksperiment som jeg kaller den modifiserte døren.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
Og tankeeksperimentet med den modifiserte døren er slik, du har en dør hjemme
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
og når du er her endrer jeg den, jeg har en kar
15:16
back at your house right now, moving the door around,
329
891000
2000
ved huset ditt akkurat nå og han flytter døren rundt,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
og de kommer til flytte dørhåndtaket mer enn 5 centimeter.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Og når du drar hjem senere i kveld, kommer du til å strekke frem hånden din
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
og du kommer til prøve å nå dørhåndtaket og merke at
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
det er på feil sted og du kommer til si, hva har skjedd?
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Det kan ta et sekund for deg å finne det ut, men noe skjedde.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Jeg kunne endret dørhåndtaket på andre måter.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Jeg kunne gjort det større eller mindre, jeg kunne endret det fra messing til sølv,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
jeg kunne gjort den til en spak. Jeg kunne endret døren, malt den,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
satt inn vinduer. Jeg kunne endret tusen ting med døren din,
15:38
and in the two seconds you take to open your door,
339
913000
2000
og i løpet av de to sekundene det tar å åpne døren
15:40
you're going to notice that something has changed.
340
915000
3000
ville du komme til å merke at noe var endret.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Så ingeniørtilnærmingen til dette, kunstig-intelligenstilnærmingen,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
vil være å lage en dørdatabase med alle dørattributter.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
Og når du går opp til døren så sjekker man alle attributter en etter en.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Dør, dør, dør, du vet, farge, dere skjønner hva jeg mener.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Vi gjør ikke det. Din hjerne gjør ikke det.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Det din hjerne gjør hele tiden er å prøve å forutse
15:57
about what is going to happen in your environment.
347
932000
2000
hva som skal skje i det miljøet du befinner deg.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Når jeg legger hånden på bordet forventer jeg å føle at den stopper.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Når jeg går, for hvert steg jeg tar, om jeg tråkker feil med 5 centimeter
16:05
I'll know something has changed.
350
940000
2000
kommer jeg til å vite at noe er endret.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Du prøver hele tiden å forutse hva som vil skje i det miljøet du befinner deg.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Jeg skal snakke om syn her om et øyeblikk. Dette er et bilde av en kvinne.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Og når du ser på mennesker blir øynene dine fanget
16:14
over at two to three times a second.
354
949000
1000
og du ser over ansiktet to til tre ganger i sekundet.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Du er ikke klar over det men øynene dine flytter seg hele tiden.
16:17
And so when you look at someone's face,
356
952000
2000
Og når du ser på ansiktet til noen
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
sveiper du fra øye til øye til øye så til nese og munn.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Så når ditt øye sveiper fra øye til øye,
16:23
if there was something else there like, a nose,
359
958000
2000
om det var noe annet der enn en nese,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
som at du så en nese der hvor øyet skulle vært
16:27
and you'd go, oh shit, you know --
361
962000
3000
kom du til å si, å svarte, ikke sant --
16:30
(Laughter)
362
965000
1000
(Latter)
16:31
There's something wrong about this person.
363
966000
2000
Det er noe galt med denne personen.
16:33
And that's because you're making a prediction.
364
968000
2000
Og det er fordi du forutser hva som kan forventes.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Det er ikke slik at du ser over og sier, hva ser jeg nå?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
En nese, det er greit. Nei, du har forventninger til hva du skal se.
16:40
(Laughter)
367
975000
1000
(Latter)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Hele tiden. Og til slutt la oss ta for oss hvordan vi tester intelligens.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Vi tester evnen til å forutse. Hva er neste ord i rekken? Og så videre.
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Denne står til denne som denne står til denne. Hva er neste nummer i denne rekken?
16:51
Here's three visions of an object.
371
986000
2000
Her er tre forskjellige former.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Hva er den fjerde? Slik tester vi intelligens. Det handler om å forutse.
16:57
So what is the recipe for brain theory?
373
992000
3000
Så hva er resepten for å lage en hjerneteori?
17:00
First of all, we have to have the right framework.
374
995000
3000
Først av alt trenger vi å ha et rammeverk.
17:03
And the framework is a memory framework,
375
998000
2000
Og det rammeverket er et rammeverk for hukommelsen.
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
Ikke et rammeverk for kalkulering eller adferd. Men et rammeverk for hukommelse.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Hvordan lagrer og fremkaller du disse mønstrene? Det er spatio-temporære mønstre.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Så med et slikt rammeverk, tar du en gjeng med teoretikere.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Nå er ikke biologer generelt sett veldig gode teoretikere.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Det er selvfølgelig ikke alltid sant, men generelt sett, og historisk sett, er ikke teori biologiens sterkeste side.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Så det jeg fant ut var at fysikere var de jeg fikk mest ut av å jobbe med,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
ingeniører og matematikere, som vanligvis tenker algoritmisk.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Men da må de lære anatomi og i tillegg fysiologi.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Man må knytte disse teorier opp mot anatomisk terminologi.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Om noen forteller om sin teori om hvordan hjernen virker,
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
og ikke forteller deg akkurat hva som skjer i hjernen,
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
og ikke forteller deg hvordan hjernen er "kablet", ja så har de ingen teori.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Dette er det vi dette vi driver med på Redwood nevrovitenskaplige institutt.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Jeg skulle gjerne hatt mer tid til å fortelle om den fantastiske fremgangen vi har på området,
17:48
and I expect to be back up on this stage,
390
1043000
2000
og jeg forventer å komme tilbake på denne scenen,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
kanskje om ikke så altfor lenge for å fortelle dere om det.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Jeg er veldig begeistret. Dette kommer ikke til å ta ytterlige 50 år.
17:55
So what will brain theory look like?
393
1050000
2000
Så hvordan vil en hjerneteori se ut?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Først av alt, det kommer til å bli en teori om hukommelse.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Ikke som en datamaskins minne. Ikke i det hele tatt som datamaskinminne.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Det er veldig, veldig forskjellig fra det. Og det er et minne av
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
mønstre med mange dimensjoner, tilsvarende som det du ser med øynene.
18:07
It's also memory of sequences.
398
1062000
2000
Det er også et minne av sekvenser.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Du kan ikke lære eller gjenkalle noe som ikke er i form av en sekvens.
18:11
A song must be heard in sequence over time,
400
1066000
3000
En sang må høres i sekvens over tid,
18:14
and you must play it back in sequence over time.
401
1069000
3000
og du må avspille den i sekvens over tid.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
Og disse sekvensene blir auto-assosiativt gjenkalt, så hvis jeg ser noe,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
hører noe, så minner dette meg om det og spiller automatisk dette av.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
Det er en automatisk avspilling. Og hensikten er å forutse kommende inntrykk.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Og som sagt, teorien må være biologisk nøyaktig,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
den må være testbar, og det må være mulig å lage den.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Hvis du ikke kan lage den så forstår du den ikke. Så, et lysbilde igjen.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Så hva skal dette resultere i? Kommer vi virkelig til å lage intelligente maskiner?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Absolutt. Og det kommer til å bli annerledes enn det folk tror.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Det er ikke tvil i min sjel om hvorvidt dette kommer til å skje.
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
Først av alt, det kommer det til å bli laget, i silikon.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Med den samme teknikken vi bruker for å lage datamaskinminne av silikon,
18:54
we can use for here.
413
1109000
1000
kan vi benytte i dette tilfellet.
18:55
But they're very different types of memories.
414
1110000
2000
Men vi snakker om en helt annen type hukommelse.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
Og vi kommer til å koble denne hukommelsen til sensorer,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
og disse sensorene vil erfare data fra virkeligheten i sanntid,
19:02
and these things are going to learn about their environment.
417
1117000
2000
og disse tingene kommer til å lære av sitt miljø.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Det er veldig usannsynlig at det første du vil se på dette området er roboter.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Ikke at roboter er ubrukelige, og man kan lage roboter.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Men robotdelen er den vanskeligste delen. Da inngår gamlehjernen. Og den er kompleks.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Den nye hjernen (hjernebarken) er faktisk enklere enn gamle hjernen.
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
Så det første vi må gjøre er å få på plass det som ikke krever en masse robotteknikk.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Du kommer ikke til å se C-3PO (fra Star Wars).
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Du kommer til å se mer, tja, intelligente biler for eksempel
19:23
that really understand what traffic is and what driving is
425
1138000
3000
som virkelig forstår hva trafikk er og hva kjøring er
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
og som har lært at de biler som kjører med blinklys på i mer enn 30 sekunder
19:29
probably aren't going to turn, things like that.
427
1144000
2000
antakelig ikke kommer til å svinge, og så videre.
19:31
(Laughter)
428
1146000
1000
(Latter)
19:32
We can also do intelligent security systems.
429
1147000
2000
Vi kan også lage intelligente sikkerhetssystemer.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
For så vidt hva som helst der vi benytter hjernen, men samtidig ikke gjør en hel masse.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Det er dette som kommer til skje først.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Men til slutt kan vi ta for oss hva som helst i hele verden.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Jeg vet ikke hvordan det kommer til ende.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Jeg kjenner mange av de som oppfant mikroprosessoren
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
og om du snakker med noen av disse, så visste de at de gjorde noe stort,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
men de så ikke konsekvensen av det de gjorde.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
De kunne ikke forutse mobiltelefoner og Internet og alt det.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
De visste bare at de, tja, de skulle lage kalkulatorer
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
og trafikklyskontrollere. Men det ble stort.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
På samme måte kommer vitenskap om hjernen og hukommelse til å være
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
fundamental teknologi som kommer til å lede
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
til utrolige endringer i løpet av de neste 100 år.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Og jeg er mest ivrig angående hvordan vi kan kommer til å bruke dette i vitenskapen.
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
Da tror jeg min tid er ute, jeg er ferdig, og kommer til å slutte mitt foredrag
20:19
right there.
445
1194000
1000
akkurat nå.
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