TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen sobre um computer que funciona como o cérebro
Filmed:
Readability: 4.2
718,375 views
O pesquisador Kwabena Boahen está procurando maneiras de imitar em silício o poder supercomputacional do cérebro -- porque o processamento desorganizado e redundante das nossas cabeças permite fazer um computador pequeno, leve e super-rápido.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Eu tive meu primeiro computador quando eu era um adolescente crescendo em Accra,
00:23
and it was a really cool device.
1
5000
3000
e era um dispositivo realmente legal.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Você podia jogar, você podia programar em BASIC.
00:31
And I was fascinated.
3
13000
2000
E eu estava fascinado.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Então eu fui a biblioteca para descobrir como aquela coisa funcionava.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Eu li sobre como a CPU fica constantemente enviando dados para lá e para cá
00:44
between the memory, the RAM and the ALU,
6
26000
4000
entre a memória, a RAM e a ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
a unidade de lógica e aritmética.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
E eu pensei comigo, esta CPU realmente precisa trabalhar como louca
00:54
just to keep all this data moving through the system.
9
36000
4000
só para manter todos estes dados se movimentando pelo sistema.
00:58
But nobody was really worried about this.
10
40000
3000
Mas ninguém estava muito preocupado com isto.
01:01
When computers were first introduced,
11
43000
2000
Quando os computadores surgiram,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
disseram que seriam milhões de vezes mais rápido que os neurônios.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
As pessoas estavam realmente eufóricas, pensavam que logo ultrapassariam
01:11
the capacity of the brain.
14
53000
3000
a capacidade do cérebro.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Esta é uma sentença, na verdade, de Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"Em 30 anos, será mais fácil fazer uma pergunta a um computador,
01:21
as to ask a person."
17
63000
2000
que perguntar a uma pessoa."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Isto era 1946. E agora em 2007, ainda não é verdade.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
A pergunta é, porquê nós não estamos realmente vendo
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
este tipo de poder nos computadores que nós vemos no cérebro?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
O que as pessoas não se dão conta, e eu estou começando apenas agora,
01:42
is that we pay a huge price for the speed
22
84000
2000
é que nós pagamos um preço enorme pela velocidade,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
que nós entendemos ser esta a grande vantagem dos computadores.
01:48
Let's take a look at some numbers.
24
90000
2000
Vamos olhar alguns números.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Este é o Blue Gene, o computador mais rápido do mundo.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Ele tem 120 mil processadores; eles podem basicamente processar
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 quatrilhão de bits de informação por segundo.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Isto é 10 elevado a 16a. E ele consome 1,5 megawatt de energia.
02:09
So that would be really great, if you could add that
29
111000
3000
Então, seria realmente legal, se você pudesse somar isto
02:12
to the production capacity in Tanzania.
30
114000
2000
a capacidade produtiva na Tanzânia.
02:14
It would really boost the economy.
31
116000
2000
Isto realmente alavancaria a economia.
02:16
Just to go back to the States,
32
118000
4000
Apenas voltando aos Estados Unidos,
02:20
if you translate the amount of power or electricity
33
122000
2000
se você traduzir a quantidade de energia ou eletricidade
02:22
this computer uses to the amount of households in the States,
34
124000
3000
que este computador utiliza em quantidade de casas na América,
02:25
you get 1,200 households in the U.S.
35
127000
4000
você chega a 1.200 casas nos EUA,
02:29
That's how much power this computer uses.
36
131000
2000
e isto é o quanto de energia este computador utiliza.
02:31
Now, let's compare this with the brain.
37
133000
3000
Agora, vamos comparar isto com o cérebro.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Esta é a imagem do cérebro da namorada do Rory Sayres.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory é um estudante de graduação de Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Ele estuda o cérebro utilizando o MRI, e afirma que
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
este é o cérebro mais lindo que já foi escaneado.
02:48
(Laughter)
42
150000
2000
(Risadas)
02:50
So that's true love, right there.
43
152000
3000
Então isto é o verdadeiro amor, aqui mesmo.
02:53
Now, how much computation does the brain do?
44
155000
3000
Agora, qual o poder de computação do cérebro?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Eu estimo que de 10 a 16 bits por segundo
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
que é muito similar ao que faz o Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
Então esta é a questão. A questão é - quanto --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
ambos processando quantidades similares, quantidade similar de dados --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
a questão é quanta energia ou eletricidade o cérebro utiliza?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
E isto é o mesmo que o seu computador laptop:
03:15
it's just 10 watts.
51
177000
2000
apenas 10 watts.
03:17
So what we are doing right now with computers
52
179000
3000
Então o que nós estamos fazendo agora com os computadores,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
com a energia consumida por 1.200 casas,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
o cérebro está fazendo com a energia consumida pelo seu laptop.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Então a questão é, como o cérebro consegue atingir este nível de eficiência?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Deixe-me resumir. A questão básica é a seguinte:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
o cérebro processa informação utilizando 100 mil vezes menos energia
03:37
than we do right now with this computer technology that we have.
58
199000
4000
que nós consumimos agora com esta tecnologia de computação que temos.
03:41
How is the brain able to do this?
59
203000
2000
Como o cérebro consegue fazer isto?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Vamos dar uma olhada em como o cérebro funciona,
03:46
and then I'll compare that with how computers work.
61
208000
4000
e então eu vou comparar isto com o funcionamento dos computadores.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Este clipe é da séria PBS, "A Vida Secreta do Cérebro."
03:54
It shows you these cells that process information.
63
216000
3000
Ela mostra estas células que processam informações.
03:57
They are called neurons.
64
219000
1000
Elas são chamadas de neurônios.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Eles enviam pequenos pulsos elétricos processados para os outros,
04:04
and where they contact each other, those little pulses
66
226000
2000
e onde eles contatam os outros, estes pequenos pulsos
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
de eletricidade podem pular de um neurônio para o outro.
04:08
That process is called a synapse.
68
230000
3000
Este processo é chamado de sinapse.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Você obtêm esta enorme rede de células interagindo com as outras,
04:13
about 100 million of them,
70
235000
2000
cerca de 100 milhões delas,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
enviando cerca de 10 quatrilhões destes pulsos por segundo.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
E isto é basicamente o que ocorre no seu cérebro neste momento.
04:25
How does that compare with the way computers work?
73
247000
2000
Como comparar isto com o modo que o computador funciona?
04:27
In the computer, you have all the data
74
249000
2000
No computador você tem todos os dados
04:29
going through the central processing unit,
75
251000
2000
passando por uma unidade central de processamento,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
e qualquer porção de dado deve necessariamente passar pelo gargalo.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Enquanto no cérebro, o que existe são estes neurônios
04:38
and the data just really flows through a network of connections
78
260000
4000
e o dado apenas flui através da rede de conexões
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
entre os neurônios, não existe um gargalo.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
É realmente a rede no sentido literal da palavra.
04:48
The net is doing the work in the brain.
81
270000
4000
A rede esta fazendo o trabalho no cérebro.
04:52
If you just look at these two pictures,
82
274000
2000
Se você observar estas duas imagens,
04:54
these kind of words pop into your mind.
83
276000
2000
estes tipos de palavras pipocam na sua cabeça.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Isto é serial e é rígido: como carros na autoestrada --
05:00
everything has to happen in lockstep --
85
282000
3000
tudo precisa acontecer em sincronia.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Enquanto esta é paralela e é fluída.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Processamento de informações é muito dinâmico e adaptativo.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Eu não sou o primeiro a me dar conta disto. Esta é uma frase de Brian Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"O problema com os computadores é que não tem tanta Africa neles."
05:16
(Laughter)
90
298000
6000
(Risadas)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian disse isto em 1995.
05:25
And nobody was listening then,
92
307000
3000
E ninguém esta prestando atenção,
05:28
but now people are beginning to listen
93
310000
2000
mas agora as pessoas estão começando a escutar
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
porque estão pressionadas, existem problemas tecnológicos que precisamos resolver.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Eu vou guiá-los um pouco por isto nos próximos slides.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Existe - na verdade esta notável convergência
05:44
between the devices that we use to compute in computers,
97
326000
5000
entre os dispositivos que nós utilizamos para computar em computadores,
05:49
and the devices that our brains use to compute.
98
331000
4000
e os dispositivos que nossos cérebros utilizam para computar.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Os dispositivos que os computadores usam são chamados de transistor.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Este eletrodo aqui, chamado de portão, controla o fluxo da corrente
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
da origem até o dreno, estes dois eletrodos.
06:04
And that current, electrical current,
102
346000
2000
E esta corrente, corrente elétrica,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
é transportada por elétrons, assim como na sua casa e assim por diante.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
E o que temos aqui, quando você liga o portão,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
você aumenta o volume da corrente, e obtêm um fluxo constante de corrente.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
E quando você desliga o portão, não existe mais corrente fluindo pelo dispositivo.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Seu computador usa esta presença de corrente para representar um UM (1),
06:30
and the absence of current to represent a zero.
108
372000
4000
e a ausência de corrente para representar um ZERO (0).
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Agora, o que acontece é que como os transistores estão ficando menores, e menores, e menores,
06:40
they no longer behave like this.
110
382000
2000
eles não se comportam mais assim.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
De fato, eles estão começando a se comportar como o dispositivo que os neurônios utilizam para computar,
06:47
which is called an ion channel.
112
389000
2000
que é chamado de um canal iônico.
06:49
And this is a little protein molecule.
113
391000
2000
E isto é uma pequena molécula de proteína.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Eu quero dizer, neurônios possuem milhares destas.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
E isto reside na membrana da célula e possui um poro na mesma.
06:59
And these are individual potassium ions
116
401000
3000
E estas são íons de potássio individuais,
07:02
that are flowing through that pore.
117
404000
2000
que estão fluindo através do poro.
07:04
Now, this pore can open and close.
118
406000
2000
Agora, este poro pode abrir e fechar.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Mas, quando está aberto, porque estes íons precisam se alinhar
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
e passar um por vez, você obtêm um tipo esporádico, não constante --
07:16
it's a sporadic flow of current.
121
418000
3000
é um fluxo esporádico de corrente.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
E mesmo quando você fecha o poro -- o que os neurônios podem fazer,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
eles podem abrir e fechar estes poros para gerar atividade elétrica --
07:27
even when it's closed, because these ions are so small,
124
429000
3000
mesmo quando fechado, porque estes íons são tão pequenos,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
eles podem esgueirar-se, alguns poucos podem passar de uma vez.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Então o que você obtêm quando o poro está aberto,
07:36
you get some current sometimes.
127
438000
2000
é que você tem algum tipo de corrente algumas vezes.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Estes são os seus UNS (1), mas você tem alguns ZEROS (0) passando.
07:41
And when it's closed, you have a zero,
129
443000
4000
E quando está fechado, você tem um ZERO (0),
07:45
but you have a few ones thrown in.
130
447000
3000
mas você tem alguns UNS passando, OK.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Agora, isto está começando acontecer nos transistores.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
E a razão porque isto esta acontecendo é que, agora em 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
a tecnologia que estamos utilizando, um transistor é tão grande
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
que muitos elétrons podem passar pelo canal simultaneamente, lado a lado.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
De fato, cerca de 12 elétrons podem passar desta maneira.
08:09
And that means that a transistor corresponds
136
471000
2000
E isto significa que um transistor corresponde
08:11
to about 12 ion channels in parallel.
137
473000
3000
a cerca de 12 canais de íons em paralelo.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Agora, em poucos anos, em 2015, nós iremos encolher muito os transistores.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Isto é o que a Intel faz para manter adicionando mais núcleos no chip.
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
ou no seu pente de memória para que você consiga colocar um gigabyte
08:27
of stuff on them -- before, it was 256.
141
489000
2000
de coisas nele -- antes era apenas 256Kb.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Os transistores estão ficando menores para permitir que isto aconteça,
08:32
and technology has really benefitted from that.
143
494000
3000
e a tecnologia tem realmente se beneficiado disto.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Mas o que está acontecendo agora é que em 2015, o transistor ficará tão pequeno,
08:40
that it corresponds to only one electron at a time
145
502000
3000
que significa que apenas um elétron por vez
08:43
can flow through that channel,
146
505000
2000
poderá passar pelo canal,
08:45
and that corresponds to a single ion channel.
147
507000
2000
e isto corresponde a apenas um único canal de íon.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
E você começa a ter o mesmo tipo de engarrafamento que você tem no canal de íon,
08:51
The current will turn on and off at random,
149
513000
3000
a corrente vai ligar e desligar aleatoriamente,
08:54
even when it's supposed to be on.
150
516000
2000
mesmo quando deveria estar ligada.
08:56
And that means your computer is going to get
151
518000
2000
E isto significa que seu computador vai obter
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
seus UNs e ZEROs embaralhados, e isto não vai deixar sua máquina funcionar.
09:02
So, we are at the stage where we
153
524000
4000
Então, estamos no estágio onde nós
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
não sabemos realmente como computar com estes tipos de dispositivos.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
E o único tipo de coisa, a única coisa que sabemos neste momento,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
que pode computar com estes tipos de dispositivos, são os cérebros.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
OK, então o computador pega um item específico de dado da memória,
09:19
it sends it into the processor or the ALU,
158
541000
3000
e envia para o processador ou a ALU,
09:22
and then it puts the result back into memory.
159
544000
2000
e então coloca o resultado de volta na memória.
09:24
That's the red path that's highlighted.
160
546000
2000
Isto é o caminho vermelho que está destacado.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
A maneira como os cérebros funcionam, você necessita todos estes neurônios.
09:30
And the way they represent information is
162
552000
2000
E a maneira como eles representam informação é
09:32
they break up that data into little pieces
163
554000
2000
que eles quebram os dados em pequenos pedaços
09:34
that are represented by pulses and different neurons.
164
556000
3000
que são representados por pulsos e diferentes neurônios.
09:37
So you have all these pieces of data
165
559000
2000
Então você tem todos estes pedaços de dados
09:39
distributed throughout the network.
166
561000
2000
distribuídos através da rede.
09:41
And then the way that you process that data to get a result
167
563000
3000
E então a maneira que você processa os dados para obter o resultado
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
é que você traduz este padrão de atividade e um novo padrão de atividade,
09:48
just by it flowing through the network.
169
570000
3000
apenas navegando através da rede.
09:51
So you set up these connections
170
573000
2000
Então você define estas conexões,
09:53
such that the input pattern just flows
171
575000
3000
de tal maneira que o padrão de entrada apenas flui
09:56
and generates the output pattern.
172
578000
2000
e gera o padrão de saída.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
O que você vê aqui é que existem estas conexões redundantes.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Então se o pedaço de dado ou este pedado de dado é substituído,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
não aparece aqui, estes dois pedaços podem ativar a parte perdida
10:11
with these redundant connections.
176
593000
2000
com estas conexões redundantes.
10:13
So even when you go to these crappy devices
177
595000
2000
Então mesmo quando você vai até estes dispositivos assustadores
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
onde algumas vezes você deseja um UM e você recebe um ZERO,
10:18
there's redundancy in the network
179
600000
2000
existe redundância na rede
10:20
that can actually recover the missing information.
180
602000
3000
que pode recuperar a informação perdida.
10:23
It makes the brain inherently robust.
181
605000
3000
Isto torna o cérebro inerentemente robusto.
10:26
What you have here is a system where you store data locally.
182
608000
3000
O que você tem aqui é um sistema onde você armazena dados localmente.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
E é frágil, porque cada um destes passos precisa ser perfeito,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
senão você perde seu dado. Enquanto no cérebro, você tem um sistema
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
que armazena dados de maneira distribuída, e robusta.
10:40
What I want to basically talk about is my dream,
186
622000
4000
O que eu basicamente quero contar é sobre meu sonho,
10:44
which is to build a computer that works like the brain.
187
626000
3000
que é construir um computador que funciona como o cérebro.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Isto é algo que temos trabalhado nos últimos dois anos.
10:51
And I'm going to show you a system that we designed
189
633000
3000
E eu vou mostrar a vocês um sistema que nós desenhamos
10:54
to model the retina,
190
636000
3000
para modelar a retina,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
que é um pedaço do cérebro que vai dentro do seu globo ocular.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Nós não fizemos isto escrevendo código, como você faz em um computador.
11:08
In fact, the processing that happens
193
650000
3000
De fato, o processamento que acontece
11:11
in that little piece of brain is very similar
194
653000
2000
neste pequeno pedaço de cérebro é muito similar
11:13
to the kind of processing that computers
195
655000
1000
ao tipo de processamento que os computadores
11:14
do when they stream video over the Internet.
196
656000
4000
fazem quando enviam video pela Internet.
11:18
They want to compress the information --
197
660000
1000
Eles querem comprimir a informação --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
eles apenas querem enviar as mudanças do que é novo na imagem e assim por diante --
11:23
and that is how your eyeball
199
665000
3000
e isto é como o seu globo ocular
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
consegue comprimir toda a informação e enviar pelo seu nervo ótico,
11:29
to send to the rest of the brain.
201
671000
2000
para enviar para o resto do seu cérebro.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Ao invés de fazer isto em software, ou com estes tipos de algoritmos,
11:34
we went and talked to neurobiologists
203
676000
3000
nós fomos conversar com neurobiologistas
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
que fizeram engenharia reversa neste pedaço de cérebro chamado retina.
11:41
And they figured out all the different cells,
205
683000
2000
E eles descobriram todas diferentes células,
11:43
and they figured out the network, and we just took that network
206
685000
3000
e descobriram a rede, e nós apenas pegamos esta rede
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
e utilizamos ela como um modelo para desenhar um chip de silício.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Agora os neurônios estão representados por pequenos nodos ou circuitos no chip,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
e as conexões entre os neurônios estão modeladas por transistores
12:01
And these transistors are behaving essentially
210
703000
2000
e estes transistores estão se comportando essencialmente
12:03
just like ion channels behave in the brain.
211
705000
3000
como os canais de íons se comportam no cérebro.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Isto provê o mesmo tipo de arquitetura robusta que eu descrevi.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Aqui esta o que nosso olho artificial se parece.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
O chip retina que desenhamos fica aqui atrás das lentes.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
E o chip -- eu vou mostrar a vocês um vídeo
12:22
that the silicon retina put out of its output
216
724000
3000
que a retina de silício gera como saída
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
quando esta olhando para Kareem Zaghloul,
12:28
who's the student who designed this chip.
218
730000
2000
que é o estudante quem desenhou o chip.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Deixe-me explicar o que você irá ver, OK.
12:32
because it's putting out different kinds of information,
220
734000
3000
Como ele está gerando diferentes tipos de informação,
12:35
it's not as straightforward as a camera.
221
737000
2000
não é simples como uma câmera.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
O chip retina extrai quatro tipos diferentes de informação.
12:40
It extracts regions with dark contrast,
223
742000
3000
Ele extrai regiões com contrastes escuros,
12:43
which will show up on the video as red.
224
745000
3000
que será apresentado no vídeo como vermelho.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
E extrai regiões com branco e contraste claro,
12:50
which will show up on the video as green.
226
752000
2000
que será apresentado no vídeo como verde.
12:52
This is Kareem's dark eyes
227
754000
2000
Estes são os olhos escuros do Kareem
12:54
and that's the white background that you see here.
228
756000
3000
e este é o fundo branco que você vê aqui.
12:57
And then it also extracts movement.
229
759000
2000
E isto também extrai os movimentos.
12:59
When Kareem moves his head to the right,
230
761000
2000
Quando Kareem movimenta sua cabeça para a direita,
13:01
you will see this blue activity there;
231
763000
2000
você verá esta atividade azul aqui,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
isto representa regiões onde o contraste esta aumentando na imagem,
13:06
that's where it's going from dark to light.
233
768000
3000
é onde vamos do escuro para o claro.
13:09
And you also see this yellow activity,
234
771000
2000
E você também vê esta atividade amarela,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
que representa regiões onde o contraste esta diminuindo,
13:15
it's going from light to dark.
236
777000
2000
indo do claro para o escuro.
13:17
And these four types of information --
237
779000
3000
E estes quatro tipos de informação --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
seu nervo ótico possui um milhão de fibras,
13:24
and 900,000 of those fibers
239
786000
3000
e 900.000 destas fibras
13:27
send these four types of information.
240
789000
2000
envia estes quatro tipos de informação.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Então nós estamos duplicando os tipos de sinais que você tem no seu nervo ótico.
13:33
What you notice here is that these snapshots
242
795000
3000
O que você nota aqui é que estas imagens instantâneas
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
obtidas na saída do chip retina são muito esparsas.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Isto não fica verde a toda hora no fundo,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
somente nas bordas, e assim por diante.
13:45
And this is the same thing you see
246
807000
1000
E esta é a mesma coisa que você vê
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
quando as pessoas comprimem video para enviar: querem torná-la esparsa,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
porque o arquivo é menor. E isto é o que a retina esta fazendo,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
e esta fazendo apenas com o circuito, e como esta rede de neurônios
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
que esta interagindo, a qual nós capturamos no chip.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Mas o ponto que eu quero destacar, eu vou mostrar aqui.
14:03
So this image here is going to look like these ones,
252
825000
3000
Esta imagem aqui vai parecer como estas,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
mas aqui vou mostrar que podemos reconstruir a imagem,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
então, você sabe, você pode quase reconhecer o Kareem nesta parte de cima.
14:13
And so, here you go.
255
835000
2000
Aqui está.
14:24
Yes, so that's the idea.
256
846000
3000
Sim, esta é a ideia.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Se você ficar parado, você apenas vê os contrastes claros e escuros.
14:29
But when it's moving back and forth,
258
851000
2000
Mas quando esta se movendo para frente e para trás,
14:31
the retina picks up these changes.
259
853000
3000
a retina detecta estas mudanças.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
E isto é porque, você sabe, quando você esta sentado
14:35
and something happens in your background,
261
857000
2000
e alguma coisa acontece atrás
14:37
you merely move your eyes to it.
262
859000
2000
você simplesmente move seus olhos para lá.
14:39
There are these cells that detect change
263
861000
2000
Existem estas células que detectam a mudança
14:41
and you move your attention to it.
264
863000
2000
e você direciona sua atenção para lá.
14:43
So those are very important for catching somebody
265
865000
2000
Estas são coisas importantes para pegar alguém
14:45
who's trying to sneak up on you.
266
867000
2000
que está tentando se aproximar de você.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Deixe-me terminar dizendo que isto é o que acontece
14:50
when you put Africa in a piano, OK.
268
872000
3000
quando você coloca a Africa em um piano, OK.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Isto aqui é um tambor de metal que foi modificado,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
e isto é o que acontece quando você coloca a Africa em um piano.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
E o que eu gostaria que fizéssemos, é colocar a Africa no computador,
15:03
and come up with a new kind of computer
272
885000
2000
e criar um novo tipo de computador
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
que irá gerar pensamento, imaginação, ser criativo e coisas assim.
15:08
Thank you.
274
890000
2000
Obrigado.
15:10
(Applause)
275
892000
2000
(Aplausos)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson: Uma pergunta para você, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Você consegue se dar conta do trabalho que esta fazendo,
15:18
the future of Africa, this conference --
278
900000
3000
o futuro da Africa, esta conferência --
15:21
what connections can we make, if any, between them?
279
903000
3000
que conexões podemos fazer, se alguma, entre tudo isto?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen: Sim, como eu disse no início.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Eu tive meu primeiro computador ainda adolescente em Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
E eu tive esta reação instintiva que era a maneira errada de fazer.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Era força bruta, nada elegante.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Eu não acredito que teria tido aquela reação,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
se tivesse crescido lendo ficção científica,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
ouvindo sobre RD2D2, ou sei lá como é chamado, e apenas -- você sabe,
15:46
buying into this hype about computers.
287
928000
1000
comprando esta moda sobre computadores.
15:47
I was coming at it from a different perspective,
288
929000
2000
Eu estava entrando nisto vindo de uma perspectiva diferente,
15:49
where I was bringing that different perspective
289
931000
2000
onde eu estava trazendo uma diferente perspectiva
15:51
to bear on the problem.
290
933000
2000
para pressionar o problema.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
E eu acho que muitas pessoas na Africa tem esta perspectiva diferente,
15:56
and I think that's going to impact technology.
292
938000
2000
e eu acho que isto irá impactar a tecnologia.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
E isto irá impactar como isto irá evoluir.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
E eu penso que você poderá ver, usar esta infusão,
16:02
to come up with new things,
295
944000
2000
para criar coisas novas,
16:04
because you're coming from a different perspective.
296
946000
3000
porque você está vindo de uma perspectiva diferente.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Eu penso que nós podemos contribuir, nós podemos sonhar como qualquer um.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Obrigado Kwabena, isto foi realmente interessante
16:13
Thank you.
299
955000
1000
Obrigado.
16:14
(Applause)
300
956000
2000
(Aplausos)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com