TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha: Jak mózg uczy się widzieć
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha opisuje szczegółowo swoje przełomowe badania dotyczące rozwoju systemu wzrokowego mózgu. Shina i jego ekipa pomagają za darmo odzyskać wzrok dzieciom niewidomym od urodzenia po czym badają, jak ich mózg uczy się interpretować dane wzrokowe. Praca ta ukazuje z bliższa neurobiologię, inżynierię a nawet autyzm.
Pawan Sinha - Visual neuroscientist
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Double-click the English transcript below to play the video.
00:15
If you are a blind child in India,
0
0
4000
Gdybyś był niewidomym dzieckiem w Indiach
00:19
you will very likely have to contend with
1
4000
3000
prawdopodobnie musiałbyś stawić czoło
00:22
at least two big pieces of bad news.
2
7000
3000
przynajmniej dwóm złym wiadomościom.
00:25
The first bad news
3
10000
2000
Pierwszą z nich jest to,
00:27
is that the chances of getting treatment
4
12000
3000
że szanse na leczenie
00:30
are extremely slim to none,
5
15000
3000
są znikome, jeśli nie żadne,
00:33
and that's because most of the blindness
6
18000
2000
ponieważ większość programów
00:35
alleviation programs in the country
7
20000
2000
likwidacji ślepoty w tym kraju
00:37
are focused on adults,
8
22000
2000
skupia się na dorosłych
00:39
and there are very, very few hospitals
9
24000
3000
i bardzo niewiele szpitali
00:42
that are actually equipped to treat children.
10
27000
3000
jest odpowiednio wyposażonych do leczenia dzieci.
00:46
In fact, if you were to be treated,
11
31000
4000
Jeżeli zaś miałbyś być poddany leczeniu,
00:51
you might well end up being treated
12
36000
3000
to prawdopodobnie leczyłby cię ktoś,
00:54
by a person who has no medical credentials
13
39000
3000
kto nie ma odpowiednich uprawnień medycznych,
00:57
as this case from Rajasthan illustrates.
14
42000
3000
jak to pokazuje ten przypadek z Radżastanu.
01:00
This is a three-year-old orphan girl
15
45000
2000
To 3-letnia sierota,
01:02
who had cataracts.
16
47000
2000
która miała kataraktę.
01:04
So, her caretakers took her
17
49000
2000
Jej opiekunowie zaprowadzili ją
01:06
to the village medicine man,
18
51000
2000
do miejscowego uzdrawiacza,
01:08
and instead of suggesting to the caretakers
19
53000
3000
który zamiast zasugerować im,
01:11
that the girl be taken to a hospital,
20
56000
3000
aby zabrali dziewczynkę do szpitala,
01:14
the person decided to burn her abdomen
21
59000
2000
postanowił wypalić jej brzuch
01:16
with red-hot iron bars
22
61000
2000
rozgrzanymi do gorąca żelaznymi kratami
01:18
to drive out the demons.
23
63000
2000
żeby wypędzić demony.
01:20
The second piece of bad news
24
65000
3000
Druga zła wiadomość
01:23
will be delivered to you
25
68000
2000
pochodzi od neurobiologów,
01:25
by neuroscientists, who will tell you
26
70000
3000
którzy powiedzą ci,
01:28
that if you are older than four or five years of age,
27
73000
3000
że jeśli masz więcej niż 4-5 lat,
01:31
that even if you have your eye corrected,
28
76000
3000
wówczas, nawet jeśli twój wzrok poprawi się,
01:34
the chances of your brain learning how to see
29
79000
3000
to jednak szanse, że twój mózg nauczy się widzieć
01:37
are very, very slim --
30
82000
2000
są bardzo, bardzo małe.
01:39
again, slim or none.
31
84000
3000
Małe lub żadne.
01:42
So when I heard these two things,
32
87000
2000
Kiedy o tym usłyszałem,
01:44
it troubled me deeply,
33
89000
2000
bardzo się zmartwiłem
01:46
both because of personal reasons
34
91000
2000
z powodów zarówno osobistych,
01:48
and scientific reasons.
35
93000
2000
jak i naukowych.
01:50
So let me first start with the personal reason.
36
95000
3000
Zacznę od powodu osobistego.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Jest on szczery, choć pewnie zabrzmi banalnie.
01:56
That's my son, Darius.
38
101000
2000
To mój syn, Darius.
01:58
As a new father,
39
103000
2000
Jako młody ojciec
02:00
I have a qualitatively different sense
40
105000
4000
nieco inaczej rozumiem to,
02:04
of just how delicate babies are,
41
109000
3000
jak delikatne są dzieci,
02:07
what our obligations are towards them
42
112000
3000
jakie są nasze zobowiązania względem nich,
02:10
and how much love
43
115000
2000
a także to,
02:12
we can feel towards a child.
44
117000
3000
jak bardzo można kochać dziecko.
02:15
I would move heaven and earth
45
120000
2000
Poruszyłbym niebo i ziemię,
02:17
in order to get treatment for Darius,
46
122000
3000
żeby wyleczyć Dariusa.
02:20
and for me to be told
47
125000
2000
Natomiast to, że gdzieś
02:22
that there might be other Dariuses
48
127000
2000
mogą być inne dzieci,
02:24
who are not getting treatment,
49
129000
2000
które nie otrzymają leczenia,
02:26
that's just viscerally wrong.
50
131000
3000
uważam za niedopuszczalne.
02:29
So that's the personal reason.
51
134000
2000
To był mój osobisty powód.
02:31
Scientific reason is that this notion
52
136000
3000
Z kolei powód naukowy dotyczy tego,
02:34
from neuroscience of critical periods --
53
139000
2000
iż nie zgadzam się z poglądem neurobiologii
02:36
that if the brain is older
54
141000
3000
na temat okresów krytycznych
02:39
than four or five years of age,
55
144000
2000
mówiącym, iż mózg osoby
02:41
it loses its ability to learn --
56
146000
2000
powyżej 4-5 roku życia
02:43
that doesn't sit well with me,
57
148000
2000
traci zdolność uczenia się.
02:45
because I don't think that idea
58
150000
2000
Myślę, że pogląd ten
02:47
has been tested adequately.
59
152000
3000
nie został odpowiednio zbadany.
02:50
The birth of the idea is from
60
155000
2000
Zrodził się on z prac
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
Davida Hubela i Torstena Wiesela:
02:54
two researchers who were at Harvard,
62
159000
2000
dwóch naukowców z Harvardu,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
którzy w 1981 roku otrzymali Nagrodę Nobla
02:59
for their studies of visual physiology,
64
164000
2000
za swoje badania w dziedzinie fizjologii wzroku.
03:01
which are remarkably beautiful studies,
65
166000
2000
Są to naprawdę wspaniałe badania,
03:03
but I believe some of their work
66
168000
2000
sądzę jednak, że część ich prac
03:05
has been extrapolated
67
170000
2000
została przedwcześnie przeniesiona
03:07
into the human domain prematurely.
68
172000
2000
na człowieka.
03:09
So, they did their work with kittens,
69
174000
2000
Prowadzili oni badania nad małymi kotami
03:11
with different kinds of deprivation regiments,
70
176000
2000
z różnymi rodzajami deprywacji
03:13
and those studies,
71
178000
2000
i badania te,
03:15
which date back to the '60s,
72
180000
2000
pochodzące z lat 60-tych,
03:17
are now being applied to human children.
73
182000
3000
są obecnie przenoszone na dzieci.
03:20
So I felt that I needed to do two things.
74
185000
3000
Skłoniło mnie to do zrobienia dwóch rzeczy.
03:23
One: provide care
75
188000
3000
Po pierwsze: zapewnienia opieki dzieciom,
03:26
to children who are currently
76
191000
2000
które pozbawione są
03:28
being deprived of treatment.
77
193000
2000
możliwości leczenia.
03:30
That's the humanitarian mission.
78
195000
2000
Jest to misja humanitarna.
03:32
And the scientific mission would be
79
197000
2000
Misja naukowa polegałaby zaś
03:34
to test the limits
80
199000
2000
na testowaniu granic
03:36
of visual plasticity.
81
201000
2000
plastyczności wzrokowej.
03:38
And these two missions, as you can tell,
82
203000
3000
Można rzec, że te dwie misje
03:41
thread together perfectly. One adds to the other;
83
206000
3000
idealnie się uzupełniają.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Jedna nie mogłaby istnieć bez drugiej.
03:49
So, to implement
85
214000
2000
Zatem aby wcielić te dwie misje w życie
03:51
these twin missions,
86
216000
2000
kilka lat temu
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
rozpocząłem Projekt Prakash.
03:56
Prakash, as many of you know,
88
221000
2000
Prakash, jak wielu z was wie,
03:58
is the Sanskrit word for light,
89
223000
2000
oznacza w sanskrycie słowo światło.
04:00
and the idea is that
90
225000
2000
Chodzi bowiem o to,
04:02
in bringing light into the lives of children,
91
227000
3000
aby wnieść światło w życie dzieci.
04:05
we also have a chance
92
230000
2000
Mamy ponadto szansę
04:07
of shedding light on some of the
93
232000
2000
rzucić światło na niektóre
04:09
deepest mysteries of neuroscience.
94
234000
3000
z największych zagadek neurobiologii.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
Logo, pomimo irlandzkiego wyglądu,
04:15
it's actually derived from
96
240000
2000
tak naprawdę zaczerpnięte zostało
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
od indyjskiego symbolu Diya, glinianej lampy.
04:21
The Prakash, the overall effort
98
246000
3000
Starania Prakash
04:24
has three components:
99
249000
2000
zawierają w sobie trzy elementy:
04:26
outreach, to identify children in need of care;
100
251000
4000
identyfikację dzieci potrzebujących pomocy,
04:30
medical treatment; and in subsequent study.
101
255000
3000
leczenie medyczne i w konsekwencji prowadzenie badań.
04:33
And I want to show you a short video clip
102
258000
3000
Chciałbym pokazać wam krótki klip wideo,
04:36
that illustrates the first two components of this work.
103
261000
3000
który ilustruje dwa pierwsze komponenty naszej pracy.
04:41
This is an outreach station
104
266000
2000
To jest stacja pomocy potrzebującym
04:43
conducted at a school for the blind.
105
268000
3000
prowadzona w szkole dla niewidomych.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Tekst: Większość dzieci jest całkowicie i trwale ślepa ...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Ponieważ jest to szkoła dla niewidomych,
04:56
many children have permanent conditions.
108
281000
2000
wiele dzieci choruje tu trwale.
04:58
That's a case of microphthalmos,
109
283000
3000
To jest przypadek małoocza,
05:01
which is malformed eyes,
110
286000
2000
czyli zniekształconych oczu
05:03
and that's a permanent condition;
111
288000
2000
i jest to choroba trwała.
05:05
it cannot be treated.
112
290000
2000
Nie można jej wyleczyć.
05:07
That's an extreme of micropthalmos
113
292000
2000
To jest krańcowy stan małoocza
05:09
called enophthalmos.
114
294000
2000
zwany zapadnięciem gałki ocznej.
05:11
But, every so often, we come across children
115
296000
2000
Jednakże często spotykamy dzieci,
05:13
who show some residual vision,
116
298000
3000
u których obserwuje się pewne szczątkowe widzenie
05:16
and that is a very good sign
117
301000
3000
i jest to bardzo dobry znak wskazujący na to,
05:19
that the condition might actually be treatable.
118
304000
2000
że taka choroba może być uleczalna.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Zatem po badaniu zabieramy dziecko do szpitala.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
To szpital z którym współpracujemy w Delhi,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
nazywa się Schroff Charity Eye Hospital.
05:29
It has a very well-equipped
122
314000
2000
Ma on bardzo dobrze wyposażone
05:31
pediatric ophthalmic center,
123
316000
3000
pedriatryczne centrum okulistyczne.
05:35
which was made possible in part
124
320000
2000
Stworzenie go było możliwe po części
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
dzięki darom organizacji charytatywnej Ronalda McDonalda.
05:41
So, eating burgers actually helps.
126
326000
3000
Jedzenie burgerów zatem pomaga.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Tekst: Tego typu badania pozwalają nam polepszyć
05:47
eye-health in many children, and ...
128
332000
2000
zdrowie oczu wielu dzieci i...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
...pomagają znaleźć dzieci, które mogą uczestniczyć w projekcie Prakash.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
PS: Na zbliżeniu oczu tego dziecka
05:59
you will see the cause of his blindness.
131
344000
3000
możecie zobaczyć powód jego ślepoty.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Upławy, które widać na środku jego źrenic
06:06
are congenital cataracts,
133
351000
3000
to wrodzona katarakta,
06:09
so opacities of the lens.
134
354000
2000
czyli mętność soczewek.
06:11
In our eyes, the lens is clear,
135
356000
3000
Soczewki w naszych oczach są przezroczyste,
06:14
but in this child, the lens has become opaque,
136
359000
2000
ale u tego dziecka mogą się zmętnić,
06:16
and therefore he can't see the world.
137
361000
3000
przez co nie może ono widzieć.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Dziecko poddano leczeniu. Zobaczycie zdjęcia oka.
06:22
Here's the eye with the opaque lens,
139
367000
2000
To oko ze zmętnionymi soczewkami.
06:24
the opaque lens extracted
140
369000
2000
Zostały one usunięte
06:26
and an acrylic lens inserted.
141
371000
3000
a w ich miejsce umieszczono soczewki akrylowe.
06:29
And here's the same child
142
374000
2000
Tu widać to samo dziecko
06:31
three weeks post-operation,
143
376000
3000
trzy tygodnie po operacji,
06:34
with the right eye open.
144
379000
3000
z otwartym prawym okiem.
06:40
(Applause)
145
385000
6000
(Brawa)
06:46
Thank you.
146
391000
2000
Dziękuję.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Nawet po obejrzeniu tego krótkiego klipu widać,
06:51
that recovery is possible,
148
396000
2000
że powrót do zdrowia jest możliwy.
06:53
and we have now
149
398000
2000
Do tej pory otoczyliśmy opieką medyczną
06:55
provided treatment to over 200 children,
150
400000
3000
ponad 200 dzieci,
06:58
and the story repeats itself.
151
403000
2000
a historia sama się powtarza.
07:00
After treatment, the child
152
405000
2000
Po leczeniu dziecko
07:02
gains significant functionality.
153
407000
3000
zyskuje znaczną funkcjonalność.
07:05
In fact, the story holds true
154
410000
3000
To samo ma miejsce nawet wówczas,
07:08
even if you have a person who got sight
155
413000
2000
kiedy dana osoba utraciła wzrok
07:10
after several years of deprivation.
156
415000
2000
przed kilku laty.
07:12
We did a paper a few years ago
157
417000
2000
Parę lat temu wygłosiliśmy referat
07:14
about this woman that you see on the right, SRD,
158
419000
4000
na temat kobiety, którą widać po prawej, SRD.
07:18
and she got her sight late in life,
159
423000
2000
Odzyskała wzrok stosunkowo późno,
07:20
and her vision is remarkable at this age.
160
425000
4000
i widzi dość dobrze.
07:24
I should add a tragic postscript to this --
161
429000
3000
Powinienem dopowiedzieć tutaj tragiczny epilog:
07:27
she died two years ago
162
432000
2000
kobieta ta zmarła dwa lata temu
07:29
in a bus accident.
163
434000
2000
w wypadku autobusowym.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Jej historia jest naprawdę inspirująca,
07:35
unknown, but inspiring story.
165
440000
3000
choć nieznana.
07:38
So when we started finding these results,
166
443000
2000
Możecie więc sobie wyobrazić,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
że kiedy zaczęliśmy odnosić takie rezultaty,
07:43
in the scientific and the popular press.
168
448000
3000
wywołało to poruszenie wśród prasy naukowej i popularnej.
07:46
Here's an article in Nature
169
451000
2000
Oto artykuł w Nature,
07:48
that profiled this work,
170
453000
2000
który opisał naszą pracę,
07:50
and another one in Time.
171
455000
2000
a to inny artykuł w Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Byliśmy więc przekonani, jesteśmy przekonani,
07:54
that recovery is feasible,
173
459000
2000
że wyzdrowienie jest możliwe
07:56
despite extended visual deprivation.
174
461000
3000
pomimo pozbawienia wzroku.
07:59
The next obvious question to ask:
175
464000
2000
Kolejnym ważnym pytaniem było to,
08:01
What is the process of recovery?
176
466000
3000
jak wygląda proces powrotu do zdrowia?
08:04
So, the way we study that is,
177
469000
3000
Badamy to w ten sposób,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
że znajdujemy dziecko cierpiące na światłowstręt.
08:09
The child is provided treatment,
179
474000
2000
Poddajemy je leczeniu
08:11
and I want to stress that the treatment
180
476000
2000
i chciałbym podkreślić, że leczenie to
08:13
is completely unconditional;
181
478000
2000
jest całkowicie bezwarunkowe,
08:15
there is no quid pro quo.
182
480000
2000
a nie na zasadzie quid pro quo.
08:17
We treat many more children then we actually work with.
183
482000
3000
Leczymy więcej dzieci niż rzeczywiście potrzebujemy do badań.
08:20
Every child who needs treatment is treated.
184
485000
3000
Każde dziecko, które potrzebuje opieki medycznej, dostaje ją.
08:23
After treatment, about every week,
185
488000
2000
Około tydzień po leczeniu
08:25
we run the child
186
490000
2000
poddajemy dziecko szeregowi
08:27
on a battery of simple visual tests
187
492000
3000
prostych testów wzrokowych
08:30
in order to see how their visual skills
188
495000
2000
aby sprawdzić, jak za koleją rozwijają się
08:32
are coming on line.
189
497000
2000
jego umiejętności wzrokowe.
08:34
And we try to do this for as long as possible.
190
499000
3000
Staramy się to robić tak długo, jak to możliwe.
08:37
This arc of development
191
502000
2000
Dostarcza nam to
08:39
gives us unprecedented
192
504000
2000
niespotykanych i niesamowicie ważnych
08:41
and extremely valuable information
193
506000
2000
informacji odnośnie tego,
08:43
about how the scaffolding of vision
194
508000
2000
jak wygląda proces
08:45
gets set up.
195
510000
2000
powstawania wzroku.
08:47
What might be the causal connections
196
512000
2000
Jakie są relacje, pomiędzy umiejętnościami
08:49
between the early developing skills
197
514000
2000
rozwijającymi się wcześnie,
08:51
and the later developing ones?
198
516000
2000
a tymi, które powstają później?
08:53
And we've used this general approach to study
199
518000
2000
Wykorzystaliśmy to podejście do zbadania
08:55
many different visual proficiencies,
200
520000
3000
wielu różnych sprawności wzrokowych,
08:58
but I want to highlight one particular one,
201
523000
4000
jednak ja chcę szczególnie podkreślić jedną z nich,
09:02
and that is image parsing into objects.
202
527000
3000
mianowicie to, jak obraz staje się przedmiotem.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Zatem, każdy rodzaj obrazu, który widać po lewej,
09:07
be it a real image or a synthetic image,
204
532000
3000
czy to realny czy syntetyczny,
09:10
it's made up of little regions
205
535000
2000
składa się z małych obszarów
09:12
that you see in the middle column,
206
537000
2000
o różnych kolorach i luminacjach,
09:14
regions of different colors, different luminances.
207
539000
3000
które widzicie w środkowej kolumnie.
09:17
The brain has this complex task
208
542000
3000
Mózg staje przed trudnym zadaniem
09:20
of putting together, integrating,
209
545000
3000
połączenia razem, zintegrowania
09:23
subsets of these regions
210
548000
2000
podzbiorów tych obszarów
09:25
into something that's more meaningful,
211
550000
2000
w coś bardziej znaczącego,
09:27
into what we would consider to be objects,
212
552000
2000
co można by uznać za przedmiot,
09:29
as you see on the right.
213
554000
2000
jak widać po prawej.
09:31
And nobody knows how this integration happens,
214
556000
2000
Nikt nie wie natomiast, jak ta integracja zachodzi.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
To właśnie pytanie zadaliśmy w Projekcie Prakash.
09:37
So, here's what happens
216
562000
2000
Oto co się dzieje
09:39
very soon after the onset of sight.
217
564000
3000
tuż po odzyskaniu wzroku.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
To osoba, która odzyskała wzrok parę tygodni temu.
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
Widać również Ethana Myersa, absolwenta MIT,
09:48
running the experiment with him.
220
573000
3000
który przeprowadza eksperyment.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Koordynacja wzrokowo-ruchowa mężczyzny jest bardzo słaba,
09:55
but you get a general sense
222
580000
2000
ale widać, jakie regiony
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
próbuje on poruszyć.
10:00
If you show him real world images,
224
585000
2000
Gdyby pokazać mu realne obrazy,
10:02
if you show others like him real world images,
225
587000
3000
gdyby pokazać te obrazy takim jak on,
10:05
they are unable to recognize most of the objects
226
590000
2000
nie będą oni w stanie rozpoznać większości przedmiotów,
10:07
because the world to them is over-fragmented;
227
592000
3000
ponieważ dla nich świat składa się z fragmentów,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
z części kolażu, mozaiki,
10:13
of regions of different colors and luminances.
229
598000
2000
obszarów o różnych kolorach i luminacjach.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
To właśnie pokazują zielone kontury.
10:17
When you ask them,
231
602000
2000
Gdyby zapytać ich,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
nawet jeśli nie potrafią nazwać obiektów, by choć wskazali, gdzie one są,
10:22
these are the regions that they point to.
233
607000
2000
to wskażą właśnie na te obszary.
10:24
So the world is this complex
234
609000
2000
Tak więc świat
10:26
patchwork of regions.
235
611000
2000
to złożona mozaika obszarów.
10:28
Even the shadow on the ball
236
613000
2000
Nawet cień na piłce
10:30
becomes its own object.
237
615000
3000
staje się przedmiotem.
10:33
Interestingly enough,
238
618000
2000
Co interesujące,
10:35
you give them a few months,
239
620000
2000
po paru miesiącach
10:37
and this is what happens.
240
622000
3000
będzie miało miejsce coś takiego:
10:43
Doctor: How many are these?
241
628000
2000
Lekarz: Ile przedmiotów widzisz?
10:45
Patient: These are two things.
242
630000
2000
Pacjent: Dwa.
10:47
Doctor: What are their shapes?
243
632000
2000
Lekarz: Jaki mają kształt?
10:49
Patient: Their shapes ...
244
634000
2000
Pacjent: Są kształtu...
10:51
This one is a circle,
245
636000
3000
To jest koło
10:54
and this
246
639000
2000
a to
10:56
is a square.
247
641000
2000
kwadrat.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
PS: Miała miejsce niesamowita transformacja.
11:01
And the question is:
249
646000
2000
Pytanie tylko:
11:03
What underlies this transformation?
250
648000
2000
jak ona zaszła?
11:05
It's a profound question,
251
650000
2000
To gruntowne pytanie,
11:07
and what's even more amazing is how simple
252
652000
2000
a zadziwiające jest to,
11:09
the answer is.
253
654000
2000
jak prosta jest odpowiedź na nie.
11:11
The answer lies in motion
254
656000
2000
Odpowiedź leży w ruchu
11:13
and that's what I want to show you in the next clip.
255
658000
3000
i właśnie to chcę pokazać w następnym klipie.
11:18
Doctor: What shape do you see here?
256
663000
2000
Lekarz: Jaki kształt tu widzisz?
11:20
Patient: I can't make it out.
257
665000
3000
Pacjent: Nie potrafię rozpoznać.
11:28
Doctor: Now?
258
673000
2000
Lekarz: A teraz?
11:31
Patient: Triangle.
259
676000
2000
Pacjent: Trójkąt.
11:35
Doctor: How many things are these?
260
680000
3000
Lekarz: Ile tu jest przedmiotów?
11:48
Now, how many things are these?
261
693000
3000
Ile?
11:51
Patient: Two.
262
696000
2000
Pacjent: Dwa.
11:53
Doctor: What are these things?
263
698000
2000
Lekarz: Co to za przedmioty?
11:56
Patient: A square and a circle.
264
701000
2000
Pacjent: Kwadrat i koło.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
PS: I tak w kółko.
12:01
The one thing the visual system needs
266
706000
3000
Aby móc podzielić świat na części
12:04
in order to begin parsing the world
267
709000
2000
system wzrokowy potrzebuje
12:06
is dynamic information.
268
711000
2000
dynamicznej informacji.
12:08
So the inference we are deriving from this,
269
713000
2000
I w ten sposób, oraz dzięki kilku podobnym eksperymentom
12:10
and several such experiments,
270
715000
2000
dochodzimy do wniosku,
12:12
is that dynamic information processing,
271
717000
2000
że przetwarzanie dynamicznych informacji,
12:14
or motion processing,
272
719000
2000
albo przetwarzanie ruchu,
12:16
serves as the bedrock for building
273
721000
2000
stanowi podstawę
12:18
the rest of the complexity of visual processing;
274
723000
4000
pozostałej złożoności przetwarzania wzrokowego.
12:22
it leads to visual integration
275
727000
2000
Prowadzi to do wzrokowej integracji
12:24
and eventually to recognition.
276
729000
3000
i w efekcie końcowym do rozpoznania.
12:27
This simple idea has far reaching implications.
277
732000
3000
Ten prosty wniosek ma daleko idące konsekwencje.
12:30
And let me just quickly mention two,
278
735000
3000
Pozwolę sobie szybko wymienić dwie z nich.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Jedną związaną z inżynierią,
12:35
and one from the clinic.
280
740000
2000
a drugą z medycyną.
12:37
So, from the perspective of engineering,
281
742000
2000
Zatem, z punktu widzenia inżynierii,
12:39
we can ask: Goven that we know
282
744000
3000
założenie, że ruch jest tak ważny
12:42
that motion is so important for the human visual system,
283
747000
2000
dla ludzkiego systemu wzrokowego
12:44
can we use this as a recipe
284
749000
3000
może posłużyć jako wskazówka
12:47
for constructing machine-based vision systems
285
752000
3000
do skonstruowania maszynowego systemu wzrokowego,
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
który może się samodzielnie uczyć i nie musi być
12:53
by a human programmer?
287
758000
2000
zaprogramowany przez człowieka.
12:55
And that's what we're trying to do.
288
760000
2000
I właśnie to próbujemy osiągnąć.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Należę do Massachusetts Institute of Technology.
13:00
whatever basic knowledge you gain.
290
765000
2000
W MIT trzeba wykorzystywać każdą zdobytą wiedzę.
13:02
So we are creating Dylan,
291
767000
2000
Dlatego też pracujemy nad Dylanem,
13:04
which is a computational system
292
769000
2000
czyli komputerowym systemem
13:06
with an ambitious goal
293
771000
2000
o ambitnym celu.
13:08
of taking in visual inputs
294
773000
2000
Ma on mianowicie odbierać takie same dane wzrokowe,
13:10
of the same kind that a human child would receive,
295
775000
3000
jak te, które odbiera dziecko
13:13
and autonomously discovering:
296
778000
2000
i samodzielnie odkrywać,
13:15
What are the objects in this visual input?
297
780000
3000
jaki przedmiot ukazują.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Nie martwicie się o Dylana.
13:21
Here, I'm just going to talk about
299
786000
3000
Chcę tylko opowiedzieć o tym,
13:24
how we test Dylan.
300
789000
2000
w jaki sposób go testujemy.
13:26
The way we test Dylan is by giving it
301
791000
2000
Jak wspomniałem, dajemy mu
13:28
inputs, as I said, of the same kind
302
793000
3000
takie same dane, jakie otrzymałoby
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
niemowlę albo dziecko z projektu Parkash.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Jednak przez dłuższy czas nie wiedzieliśmy
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
w jaki sposób można otrzymać taki rodzaj danych.
13:41
So, I thought,
306
806000
2000
Więc pomyślałem, ze Darius
13:43
could we have Darius
307
808000
2000
mógłby posłużyć jako dziecięcy
13:45
serve as our babycam carrier,
308
810000
3000
przekaźnik kamery, co umożliwiłoby nam
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
otrzymanie danych, które przekażemy następnie Dylanowi.
13:51
So that's what we did.
310
816000
2000
Tak właśnie zrobiliśmy.
13:53
(Laughter)
311
818000
7000
(Śmiech)
14:00
I had to have long conversations with my wife.
312
825000
3000
Musiałem odbyć długą rozmowę z żoną.
14:03
(Laughter)
313
828000
5000
(Śmiech)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Pam, jeśli to oglądasz,
14:10
please forgive me.
315
835000
2000
wybacz mi.
14:13
So, we modified the optics of the camera
316
838000
4000
Zmodyfikowaliśmy optykę kamery,
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
aby odwzorować ostrość wzroku dziecka.
14:20
As some of you might know,
318
845000
2000
Jak pewnie większość z was wie,
14:22
babyies are born pretty much legally blind.
319
847000
4000
dzieci rodzą się praktycznie niewidome.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
Gdy nasza ostrość wzroku wynosi 20/20,
14:29
babies' acuity is like 20/800,
321
854000
3000
ich to około 20/800
14:32
so they are looking at the world
322
857000
2000
więc spoglądają na świat
14:34
in a very, very blurry fashion.
323
859000
3000
przez bardzo bardzo zamazany obraz.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Tak mniej więcej wygląda obraz dziecka.
14:41
(Laughter)
325
866000
9000
(Śmiech)
14:50
(Applause)
326
875000
3000
(Oklaski)
14:53
Thankfully, there isn't any audio
327
878000
2000
Całe szczęście,
14:55
to go with this.
328
880000
3000
że nie ma do tego głosu.
14:58
What's amazing is that working with such
329
883000
2000
Zadziwiające jest to,
15:00
highly degraded input,
330
885000
2000
że przy tak słabych danych
15:02
the baby, very quickly, is able
331
887000
2000
dziecko bardzo szybko jest w stanie
15:04
to discover meaning in such input.
332
889000
3000
rozpoznać ich znaczenie.
15:07
But then two or three days afterward,
333
892000
2000
Ale już dwa, trzy dni później
15:09
babies begin to pay attention
334
894000
2000
dzieci zaczynają zwracać uwagę
15:11
to their mother's or their father's face.
335
896000
2000
na twarz matki i ojca.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Jak to się dzieje? Chcemy, żeby Dylan też to potrafił.
15:16
and using this mantra of motion,
337
901000
3000
Używając ruchów,
15:19
Dylan actually can do that.
338
904000
2000
Dylan tak naprawdę już to umie.
15:21
So, given that kind of video input,
339
906000
3000
Po otrzymaniu takiego rodzaju danych,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
już po sześciu czy siedmiu minutach nagrania
15:27
Dylan can begin to extract patterns
341
912000
3000
Dylan zaczyna rozpoznawać kształty,
15:30
that include faces.
342
915000
3000
również twarze.
15:33
So, it's an important demonstration
343
918000
2000
To ważny pokaz
15:35
of the power of motion.
344
920000
2000
potęgi ruchu.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
Zastosowanie w medycynie dotyczy autyzmu.
15:40
Visual integration has been associated with autism
346
925000
2000
Integracja wizualna kojarzona była z autyzmem
15:42
by several researchers.
347
927000
2000
przez kilku badaczy.
15:44
When we saw that, we asked:
348
929000
2000
Kiedy to zobaczyliśmy, zadaliśmy sobie pytanie:
15:46
Could the impairment in visual integration
349
931000
3000
Czy utrudnienia w integracji wzrokowej
15:49
be the manifestation of something underneath,
350
934000
3000
mogą być objawem czegoś innego:
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
braku umiejętności przetwarzania dynamicznych danych w autyzmie?
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Jeżeli okazałoby się to prawdą,
15:58
it would have massive repercussions in our understanding
353
943000
3000
wpłynęłoby to na nasze rozumienie tego,
16:01
of what's causing the many different aspects
354
946000
2000
co powoduje różne apekty
16:03
of the autism phenotype.
355
948000
3000
fenotypu autyzmu.
16:06
What you're going to see are
356
951000
2000
Zobaczą teraz państwo
16:08
video clips of two children -- one neurotypical,
357
953000
3000
wideoklipy z dwójką dzieci grających w ping-ponga.
16:11
one with autism, playing Pong.
358
956000
2000
Jedno z nich jest autystyczne, a drugie nie.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Podczas gry śledzimy ich wzrok.
16:16
In red are the eye movement traces.
360
961000
3000
Na czerwono zaznaczono tor ruchu oczu.
16:19
This is the neurotypical child, and what you see
361
964000
3000
To ruch oczu dziecka nie cierpiącego na autyzm
16:22
is that the child is able to make cues
362
967000
2000
i jak widać jest ono w stanie
16:24
of the dynamic information
363
969000
2000
wykorzystywać dynamiczne informacje
16:26
to predict where the ball is going to go.
364
971000
2000
aby przewidzieć, gdzie przemieści się piłka.
16:28
Even before the ball gets to a place,
365
973000
3000
Dziecko patrzy na miejsce, w którym spadnie piłka
16:31
the child is already looking there.
366
976000
3000
jeszcze zanim ona tam dotrze.
16:34
Contrast this with a child
367
979000
2000
Porównajmy to z dzieckiem
16:36
with autism playing the same game.
368
981000
2000
cierpiącym na autyzm.
16:38
Instead of anticipating,
369
983000
2000
Zamiast przewidywać,
16:40
the child always follows where the ball has been.
370
985000
3000
dziecko śledzi ruch piłki.
16:43
The efficiency of the use
371
988000
2000
W przypadku autyzmu
16:45
of dynamic information
372
990000
2000
wykorzystywanie dynamicznych informacji
16:47
seems to be significantly compromised in autism.
373
992000
3000
zdaje się być znacznie utrudnione.
16:51
So we are pursuing this line of work
374
996000
3000
Kontynuujemy zatem nasze badania
16:54
and hopefully we'll have
375
999000
2000
i mamy nadzieje, że już niedługo
16:56
more results to report soon.
376
1001000
2000
będziemy mogli przedstawić więcej wyników.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
Jeśli spojrzycie państwo na dysk
17:01
as representing all of the children
378
1006000
2000
przedstawiający wszystkie dzieci,
17:03
we've treated so far,
379
1008000
2000
które do tej pory leczyliśmy,
17:05
this is the magnitude of the problem.
380
1010000
2000
widać skalę problemu.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Czerwone kropki to dzieci, których jeszcze nie leczyliśmy.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Jak widać, jeszcze bardzo dużo dzieci potrzebuje leczenia
17:12
and in order to expand the scope of the project,
383
1017000
3000
i aby zwiększyć zasięg projektu
17:15
we are planning on launching
384
1020000
2000
planujemy otworzyć
17:17
The Prakash Center for Children,
385
1022000
2000
The Prakash Center for Children,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
który będzie dysponował szpitalem dziecięcym,
17:22
a school for the children we are treating
387
1027000
2000
szkołą dla dzieci pozostających pod naszą opieką medyczną
17:24
and also a cutting-edge research facility.
388
1029000
2000
oraz nowatorskim centrum badawczym.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
Prakash Center połączy opiekę medyczną,
17:29
education and research in a way
390
1034000
2000
edukację oraz badania naukowe w sposób,
17:31
that truly creates the whole
391
1036000
2000
dzięki któremu uzyskana całość
17:33
to be greater than the sum of the parts.
392
1038000
3000
będzie większa, niż suma poszczególnych części.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Podsumowując, podczas swoich pięciu lat istnienia
17:39
it's had an impact in multiple areas,
394
1044000
3000
Prakash wywarł wpływ na wiele dziedzin
17:42
ranging from basic neuroscience
395
1047000
2000
począwszy od podstaw neurobiologi:
17:44
plasticity and learning in the brain,
396
1049000
2000
plastyczności i procesów uczenia się mózgu,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
do ważnych klinicznie hipotez takich jak w przypadku autyzmu,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
rozwój niezależnych systemów wzrokowych maszyn,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
edukacja studentów
17:56
and most importantly in the alleviation
400
1061000
2000
i, co najważniejsze,
17:58
of childhood blindness.
401
1063000
2000
złagodzenie dziecięcej ślepoty.
18:00
And for my students and I, it's been
402
1065000
2000
Dla mnie i moich studentów
18:02
just a phenomenal experience
403
1067000
2000
było no po prostu zjawiskowe przeżycie,
18:04
because we have gotten to do interesting research,
404
1069000
4000
ponieważ prowadziliśmy interesujące badania
18:08
while at the same time
405
1073000
2000
jednocześnie pomagając dzieciom,
18:10
helping the many children that we have worked with.
406
1075000
2000
z którymi pracowaliśmy.
18:12
Thank you very much.
407
1077000
2000
Dziękuję bardzo.
18:14
(Applause)
408
1079000
2000
(Oklaski)
ABOUT THE SPEAKER
Pawan Sinha - Visual neuroscientistPawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight.
Why you should listen
At Pawan Sinha's MIT lab, he and his team spend their days trying to understand how the brain learns to recognize and use the patterns and scenes we see around us. To do this, they often use computers to model the processes of the human brain, but they also study human subjects, some of whom are seeing the world for the very first time and can tell them about the experience as it happens. They find these unusual subjects through the humanitarian branch of their research, Project Prakash.
Project Prakash sets up eye-care camps in some of the most habitually underserved regions of India, and gives free eye-health screenings to, since 2003, more than 700 functionally blind children. The children are then treated without charge, even if they do not fit the profile that would make them eligible for Sinha's research.
Sinha's eventual goal is to help 500 children each year; plans are under way for a center for visual rehabilitation in new Delhi. The special relationship that Sinha has created between research and humanitarianism promises to deliver on both fronts.
Pawan Sinha | Speaker | TED.com