TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen über einen Computer, der wie das Gehirn funktioniert
Filmed:
Readability: 4.2
718,375 views
Forscher Kwabena Boahen sucht nach Möglichkeiten, die rechnerischen Höchstleistungen des Gehirns in Chipform nachzuahmen, denn die chaotischen, redundanten Prozesse in unseren Köpfen ermöglichen kleine, leichte, superschnelle Computer.
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
Ich habe meinen ersten Computer als Teenager in Accra bekommen
00:23
and it was a really cool device.
1
5000
3000
und es war ein echt tolles Gerät.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Man konnte Spiele damit spielen und in BASIC programmieren.
00:31
And I was fascinated.
3
13000
2000
Ich war fasziniert davon.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Also ging ich in die Bücherei, um herauszufinden, wie dieses Ding funktionierte.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Ich las, dass die CPU ständig Daten hin und her schiebt
00:44
between the memory, the RAM and the ALU,
6
26000
4000
zwischen Speicher, RAM und der ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
der arithmetisch-logischen Einheit.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
Und ich dachte mir, diese CPU muss wirklich wie verrückt arbeiten,
00:54
just to keep all this data moving through the system.
9
36000
4000
damit die ganzen Daten ungehindert fließen können.
00:58
But nobody was really worried about this.
10
40000
3000
Aber keiner machte sich darüber wirklich Gedanken.
01:01
When computers were first introduced,
11
43000
2000
Als die ersten Computer auf den Markt kamen,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
wurde gesagt, sie seien eine Million Mal schneller als Neuronen.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
Die Menschen waren begeistert. Sie dachten, es würde nicht lange dauern,
01:11
the capacity of the brain.
14
53000
3000
bis Computer die Kapazität des Gehirns übertreffen würden.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Hier ist ein Zitat von Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"In 30 Jahren wird es genauso einfach sein, einem Computer eine Frage zu stellen
01:21
as to ask a person."
17
63000
2000
wie einem Menschen."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Das stammt von 1946. Und heute, 2007, trifft es immer noch nicht zu.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Die Frage ist, warum sehen wir die Fähigkeiten,
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
die das Gehirn hat, nicht auch in Computern?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Was die Menschen aber nicht verstehen und erst jetzt beginnen zu verstehen,
01:42
is that we pay a huge price for the speed
22
84000
2000
ist, dass wir einen gewaltigen Preis zahlen für die Geschwindigkeit,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
die doch ein großer Vorteil dieser Computer sein soll.
01:48
Let's take a look at some numbers.
24
90000
2000
Sehen wir uns mal einige Zahlen an.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Dies hier ist Blue Gene, der schnellste Rechner der Welt.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Er hat 120.000 Prozessoren, die 10 Billiarden Bits
01:59
10 quadrillion bits of information per second.
27
101000
3000
an Informationen pro Sekunde verarbeiten können.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Das ist 10 hoch 16. Und sie verbrauchen anderthalb Megawatt Strom.
02:09
So that would be really great, if you could add that
29
111000
3000
Wäre das nicht großartig, wenn man das
02:12
to the production capacity in Tanzania.
30
114000
2000
zur tansanischen Stromproduktion addieren könnte.
02:14
It would really boost the economy.
31
116000
2000
Das würde die Wirtschaft richtig ankurbeln.
02:16
Just to go back to the States,
32
118000
4000
Wenn wir zurück in die USA schauen,
02:20
if you translate the amount of power or electricity
33
122000
2000
entspricht die Menge Strom,
02:22
this computer uses to the amount of households in the States,
34
124000
3000
die dieser Computer vebraucht,
02:25
you get 1,200 households in the U.S.
35
127000
4000
1.200 US-amerikanischen Haushalten.
02:29
That's how much power this computer uses.
36
131000
2000
So viel Strom verbraucht dieser Computer.
02:31
Now, let's compare this with the brain.
37
133000
3000
Jetzt vergleichen wir das doch mal mit dem Gehirn.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Dies ist ein Bild vom Gehirn - von Rory Sayres' Freundin übrigens.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory ist Student in Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Er erforscht das Gehirn mittels MRI und er behauptet,
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
dies sei das schönste Gehirn, das er jemals gescannt habe.
02:48
(Laughter)
42
150000
2000
(Gelächter)
02:50
So that's true love, right there.
43
152000
3000
Das ist wahre Liebe.
02:53
Now, how much computation does the brain do?
44
155000
3000
Also, wieviel Rechenkraft besitzt denn das Gehirn?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Meine Schätzung liegt bei 10 hoch 16 Bits pro Sekunde,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
was sehr nah an dem liegt, was Blue Gene kann.
03:02
So that's the question. The question is, how much --
47
164000
2000
Und da lautet doch die Frage:
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
Wenn sie ähnlich viele Berechnungen durchführen, ähnlich viele Daten verarbeiten,
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
wieviel Energie oder Elektrizität braucht dann das Gehirn dafür?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Und es ist erstaunlicherweise soviel wie Ihr Laptop:
03:15
it's just 10 watts.
51
177000
2000
Nur 10 Watt.
03:17
So what we are doing right now with computers
52
179000
3000
Wofür Computer momentan dieselbe Energie
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
wie 1.200 Haushalte brauchen,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
das schafft das Gehirn mit dem Energieverbrauch eines Laptop.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Da fragt man sich, wie erreicht das Gehirn eine solche Effizienz?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Lassen Sie mich das nochmal zusammenfassen:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
Das Gehirn verarbeitet Informationen mit 100.000 Mal weniger Energie,
03:37
than we do right now with this computer technology that we have.
58
199000
4000
als wir das momentan mit unserer Computertechnologie können.
03:41
How is the brain able to do this?
59
203000
2000
Wie schafft das Gehirn das?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Sehen wir uns dazu mal an, wie das Gehirn funktioniert,
03:46
and then I'll compare that with how computers work.
61
208000
4000
und im Vergleich dazu, wie Computer funktionieren.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Hier sehen wir einen Clip aus der Serie "Das geheime Leben des Gehirns".
03:54
It shows you these cells that process information.
63
216000
3000
Er zeigt diese Zellen, die Informationen verarbeiten.
03:57
They are called neurons.
64
219000
1000
Man nennt sie Neuronen.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Sie senden einander kleine elektrische Impulse entlang ihrer Bahnen
04:04
and where they contact each other, those little pulses
66
226000
2000
und an Berührungspunkten können diese Impulse
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
von einem Neuron zum anderen überspringen.
04:08
That process is called a synapse.
68
230000
3000
Dieser Prozess heißt Synapse.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Es gibt also dieses riesige Netzwerk
04:13
about 100 million of them,
70
235000
2000
interagierender Zellen, ungefähr 100 Millionen davon,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
die 10 Billiarden dieser Pulse pro Sekunde herumsenden.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Und genau das passiert auch gerade in Ihrem Gehirn, während Sie sich dies angucken.
04:25
How does that compare with the way computers work?
73
247000
2000
Wie funktionieren dagegen Computer?
04:27
In the computer, you have all the data
74
249000
2000
In einem Computer fließen alle Daten
04:29
going through the central processing unit,
75
251000
2000
durch die CPU, den Hauptprozessor,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
und alle Daten müssen durch diesen Flaschenhals hindurch.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Wohingegen die Daten im Gehirn
04:38
and the data just really flows through a network of connections
78
260000
4000
einfach durch das Netzwerk der Neuronen fließen.
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
Es gibt hier keinen Engpass.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Es handelt sich wortwörtlich um ein Netzwerk.
04:48
The net is doing the work in the brain.
81
270000
4000
Die Berechnungen im Gehirn sind das Werk des Netzes.
04:52
If you just look at these two pictures,
82
274000
2000
Wenn man sich die beiden Bilder anguckt,
04:54
these kind of words pop into your mind.
83
276000
2000
dann kommen einem Begriffe in den Sinn wie:
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Das eine läuft starr und nach der Reihenfolge, wie Verkehr auf der Autobahn
05:00
everything has to happen in lockstep --
85
282000
3000
- alles muss im Gleichschritt passieren.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Während hier der Prozess parallel und flüssig abläuft.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Die Informationsverarbeitung ist höchst dynamisch und anpassungsfähig.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Doch ich bin nicht der erste, der das erkannt hat. Hier ist ein Zitat von Brian Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"Computer haben das Problem, dass in ihnen nicht genug Afrika steckt."
05:16
(Laughter)
90
298000
6000
(Gelächter)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian hat das schon 1995 gesagt.
05:25
And nobody was listening then,
92
307000
3000
Keiner hat damals zugehört,
05:28
but now people are beginning to listen
93
310000
2000
doch jetzt beginnen die Leute zuzuhören,
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
weil wir es mit einem drängenden technologischen Problem zu tun haben.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Auf den nächsten paar Folien werde ich Ihnen das kurz erläutern.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Es gibt eine bemerkenswerte Annäherung
05:44
between the devices that we use to compute in computers,
97
326000
5000
zwischen den Bauteilen, die wir in Computern benutzen,
05:49
and the devices that our brains use to compute.
98
331000
4000
und den Bauteilen, die in unseren Gehirnen zum Einsatz kommen.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Die Bauteile, die in Computern eingesetzt werden, heißen Transistoren.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Diese Elektrode hier, Gate genannt, kontrolliert den Stromfluss
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
von der Quelle (Source) zum Abfluss (Drain), diesen zwei Elektroden.
06:04
And that current, electrical current,
102
346000
2000
Dieser Stromfluss, elektrischer Strom,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
wird von Elektronen übertragen, genau wie z.B. in Ihrem Haus.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Wenn man jetzt das Gate einschaltet,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
kann Strom das Gate passieren und es entsteht ein stetiger Stromfluss.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
Wenn man das Gate ausschaltet, fließt kein Strom mehr durch das Teil.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Ihr Computer interpretiert einen vorhandenen Stromfluss als eine Eins
06:30
and the absence of current to represent a zero.
108
372000
4000
und die Abwesenheit eines Stromflusses als Null.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Weil Transistoren jedoch kleiner und kleiner und kleiner werden, sehen wir zunehmend,
06:40
they no longer behave like this.
110
382000
2000
dass sie sich nicht mehr so verhalten.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Tatsächlich beginnen sie, sich mehr wie das Bauteil in Neuronen zu verhalten,
06:47
which is called an ion channel.
112
389000
2000
das Ionenkanal genannt wird.
06:49
And this is a little protein molecule.
113
391000
2000
Es handelt sich dabei um ein kleines Eiweißmolekül.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Neuronen haben tausende davon.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Es sitzt sich in der Zellmembran und hat eine kleine Öffnung, ein Pore.
06:59
And these are individual potassium ions
116
401000
3000
Und hier haben wir einzelne Kaliumionen,
07:02
that are flowing through that pore.
117
404000
2000
die durch diese Pore fließen.
07:04
Now, this pore can open and close.
118
406000
2000
Nun kann sich diese Pore öffnen und schließen.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Aber wenn sie offen ist, müssen sich die Ionen einreihen
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
und nacheinander hindurchfließen, mit der Folge, dass kein stetiger
07:16
it's a sporadic flow of current.
121
418000
3000
sondern ein sporadischer Stromfluss entsteht.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
Und selbst wenn man die Pore schließt - was Neuronen tun können,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
sie können diese Poren öffnen und schließen, um elektrische Aktivität zu erzeugen, -
07:27
even when it's closed, because these ions are so small,
124
429000
3000
selbst wenn sie geschlossen ist, können die winzigen Ionen
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
sich ab und zu durchmogeln. Einige von ihnen schaffen das immer.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Wenn die Pore geöffnet ist,
07:36
you get some current sometimes.
127
438000
2000
fließt manchmal Strom.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Dies sind die Einsen, aber mit ein paar Nullen drin.
07:41
And when it's closed, you have a zero,
129
443000
4000
Und wenn sie geschlossen ist, ergeben sich Nullen
07:45
but you have a few ones thrown in.
130
447000
3000
aber mit einigen Einsen dabei.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Dasselbe passiert jetzt auch in Transistoren.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Der Grund dafür ist, dass unsere gegenwärtige Technik, Stand 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
Transistoren erzeugt, die groß genug sind,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
dass mehrere Elektronen gleichzeitig nebeneinander passieren können.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
Ungefähr 12 Elektronen passen da gleichzeitig durch, um genau zu sein.
08:09
And that means that a transistor corresponds
136
471000
2000
So kann man sagen, dass ein Transistor
08:11
to about 12 ion channels in parallel.
137
473000
3000
12 parallel geschalteten Ionenkanälen entspricht.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Doch in ein paar Jahren, zirka 2015, werden wir Transistoren so geschrumpft haben.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Intel macht das, um mehr Kerne auf einen Chip zu kriegen
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
oder um Speichersticks zu erweitern, auf die jetzt 1 Gigabyte Daten passen,
08:27
of stuff on them -- before, it was 256.
141
489000
2000
und früher waren es 256 Megabyte.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Transistoren werden kleiner, um das zu ermöglichen
08:32
and technology has really benefitted from that.
143
494000
3000
und das hat unsere Technologie wesentlich besser gemacht.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Aber die Folge ist, dass der Transistor 2015 so klein geworden sein wird,
08:40
that it corresponds to only one electron at a time
145
502000
3000
dass nur noch ein Elektron auf einmal
08:43
can flow through that channel,
146
505000
2000
durch den Kanal fließen kann,
08:45
and that corresponds to a single ion channel.
147
507000
2000
was einem einzelnen Ionenkanal entspricht.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Dadurch ergeben sich vermehrt dieselben Staus wie im Ionenkanal.
08:51
The current will turn on and off at random,
149
513000
3000
Der Stromfluss wird immer wieder unterbrochen,
08:54
even when it's supposed to be on.
150
516000
2000
selbst wenn er an sein soll,
08:56
And that means your computer is going to get
151
518000
2000
was bedeutet, dass Ihr Computer
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
seine Nullen und Einsen durcheinander bekommt und die Maschine in Folge abstürzt.
09:02
So, we are at the stage where we
153
524000
4000
Wir sind damit an einem Punkt,
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
wo wir nicht wirklich wissen, wie wir mit so etwas noch rechnen sollen.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
Das einzige Vorbild, das wir derzeit haben,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
das Berechnungen unter diesen Umständen durchführen kann, ist das Gehirn.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Okay, also ein Computer holt bestimmte Daten aus dem Speicher,
09:19
it sends it into the processor or the ALU,
158
541000
3000
und sendet sie an den Hauptprozessor oder die ALU,
09:22
and then it puts the result back into memory.
159
544000
2000
und schickt das Resultat zurück in den Speicher.
09:24
That's the red path that's highlighted.
160
546000
2000
Das ist der rot gekennzeichnete Pfad.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
In Gehirnen dagegen gibt es all diese Neuronen.
09:30
And the way they represent information is
162
552000
2000
Und sie stellen Daten dar,
09:32
they break up that data into little pieces
163
554000
2000
indem sie diese Daten in kleine Teile aufsplitten,
09:34
that are represented by pulses and different neurons.
164
556000
3000
die durch Pulse und unterschiedliche Neuronen repräsentiert werden.
09:37
So you have all these pieces of data
165
559000
2000
Es gibt also all diese Datenteile,
09:39
distributed throughout the network.
166
561000
2000
über das ganze Netzwerk verteilt.
09:41
And then the way that you process that data to get a result
167
563000
3000
Um diese zu verarbeiten und ein Resultat zu erhalten,
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
wird das Aktivitätsmuster der Neuronen in ein neues Muster übersetzt,
09:48
just by it flowing through the network.
169
570000
3000
einfach indem es durch das Netzwerk fließt.
09:51
So you set up these connections
170
573000
2000
Verbindungen werden so hergestellt,
09:53
such that the input pattern just flows
171
575000
3000
dass das Eingangsmuster abläuft
09:56
and generates the output pattern.
172
578000
2000
und dabei das Ausgabemuster erzeugt wird.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Hier sieht man, dass es redundante Verbindungen gibt.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Wenn dieses Datenfragment oder dieses da zu Bruch geht,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
und keine Ausgabe erzeugt, können diese zwei Teile das fehlende Stück aktivieren
10:11
with these redundant connections.
176
593000
2000
durch diese mehrfachen Verbindungen.
10:13
So even when you go to these crappy devices
177
595000
2000
Trotz dieser fehleranfälligen Bauteile,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
die manchmal statt einer Eins eine Null erzeugen,
10:18
there's redundancy in the network
179
600000
2000
gibt es Mehrfachverbindungen im Netzwerk,
10:20
that can actually recover the missing information.
180
602000
3000
die fehlende Informationen ersetzen können.
10:23
It makes the brain inherently robust.
181
605000
3000
Das macht das Gehirn von Grund auf stabil.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Hier haben wir ein System, das Daten an einem Ort speichert.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Und es ist anfällig, denn jeder Schritt muss fehlerfrei ablaufen,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
sonst gehen die Daten verloren. Das System des Gehirns dagegen
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
speichert Daten dezentral und ist fehlertolerant.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Worüber ich nun sprechen möchte, ist mein Traum, nämlich
10:44
which is to build a computer that works like the brain.
187
626000
3000
einen Computer zu bauen, der wie ein Gehirn funktioniert.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Daran haben wir die vergangenen paar Jahre gearbeitet.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Und ich zeige ihnen jetzt ein System, das wir entwickelt haben,
10:54
to model the retina,
190
636000
3000
das die Netzhaut nachbildet,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
einen Teil des Gehirns, der die Innenseite Ihres Augapfels bedeckt.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Wir haben dafür keinen Programmiercode geschrieben wie beim Computer.
11:08
In fact, the processing that happens
193
650000
3000
Es ist nämlich so, dass die Berechnungen
11:11
in that little piece of brain is very similar
194
653000
2000
in diesem kleinen Hirnteil sehr ähnlich
11:13
to the kind of processing that computers
195
655000
1000
wie bei der Verarbeitung von Videos,
11:14
do when they stream video over the Internet.
196
656000
4000
die über das Internet gestreamt werden sollen.
11:18
They want to compress the information --
197
660000
1000
Die Informationen werden komprimiert.
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
Es sollen nur die Veränderungen von einem Bild zum anderen gesendet werden.
11:23
and that is how your eyeball
199
665000
3000
So schafft es das Auge,
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
die ganzen Informationen durch den Sehnerv zu quetschen,
11:29
to send to the rest of the brain.
201
671000
2000
und an den Rest des Hirns zu senden.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Statt das als Software mit Algorithmen umzusetzen,
11:34
we went and talked to neurobiologists
203
676000
3000
ließen wir uns von Neurobiologen beraten,
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
die die Netzhaut bereits analysiert und nachgebaut haben.
11:41
And they figured out all the different cells,
205
683000
2000
Sie haben die Zelltypen zugeordnet,
11:43
and they figured out the network, and we just took that network
206
685000
3000
das Netzwerk verstanden und wir haben dieses Netzwerk genommen
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
und es als Bauplan für einen Mikrochip genommen.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Die Neuronen werden von Schaltkreise auf dem Chip repräsentiert
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
und die Verbindungen zwischen Neuronen bestehen aus Transistoren.
12:01
And these transistors are behaving essentially
210
703000
2000
Die Transistoren verhalten sich im Grunde
12:03
just like ion channels behave in the brain.
211
705000
3000
genau wie die Ionenkanäle im Gehirn.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
So ergibt sich derselbe fehlertolerante Aufbau wie vorhin.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
So sieht unser künstliches Auge aus.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Unser Netzhautchip befindet sich hinter dieser Linse hier.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Ich zeige Ihnen jetzt ein Video
12:22
that the silicon retina put out of its output
216
724000
3000
das die künstliche Retina erzeugt hat,
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
als es Kareem Zaghloul anschaute.
12:28
who's the student who designed this chip.
218
730000
2000
Kareem ist der Student, der diesen Chip designt hat.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Ich erkläre Ihnen kurz, was Sie sehen werden.
12:32
because it's putting out different kinds of information,
220
734000
3000
Denn es werden verschiedene spezielle Daten erzeugt,
12:35
it's not as straightforward as a camera.
221
737000
2000
nicht wie bei einer Kamera.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Der Netzhautchip erfasst vier verschiedene Arten von Daten.
12:40
It extracts regions with dark contrast,
223
742000
3000
Er erfasse dunkle Bereiche,
12:43
which will show up on the video as red.
224
745000
3000
die im Video rotgefärbt sind.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Und er erfasst weiße oder helle Bereiche,
12:50
which will show up on the video as green.
226
752000
2000
die im Video grün sind.
12:52
This is Kareem's dark eyes
227
754000
2000
Hier sind Kareems dunkle Augen
12:54
and that's the white background that you see here.
228
756000
3000
und das hier ist der weiße Hintergrund.
12:57
And then it also extracts movement.
229
759000
2000
Außerdem erfasst er Bewegungen.
12:59
When Kareem moves his head to the right,
230
761000
2000
Wenn Kareem seinen Kopf nach rechts bewegt,
13:01
you will see this blue activity there;
231
763000
2000
sehen Sie hier blaue Aktivität.
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
Das repräsentiert Bereiche, wo die Helligkeit des Bildes steigt,
13:06
that's where it's going from dark to light.
233
768000
3000
wo es sich von dunkel nach hell verändert.
13:09
And you also see this yellow activity,
234
771000
2000
Dann sehen Sie noch gelbe Aktivität
13:11
which represents regions where contrast is decreasing;
235
773000
4000
in Bereichen, wo sich die Helligkeit verringert,
13:15
it's going from light to dark.
236
777000
2000
also von hell nach dunkel geht.
13:17
And these four types of information --
237
779000
3000
Diese Arten von Informationen...
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
Ihr Sehnerv hat etwa eine Million Fasern
13:24
and 900,000 of those fibers
239
786000
3000
und 900.000 dieser Fasern
13:27
send these four types of information.
240
789000
2000
senden diese vier Arten von Informationen.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Wir bilden wirklich die Art Signale nach, die im Sehnerv vorkommen.
13:33
What you notice here is that these snapshots
242
795000
3000
Wie man merkt sind diese Aufnahmen
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
vom Ausgang des Netzhautchips sehr spärlich.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Nicht der ganze Hintergrund ist grün,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
nur die Ecken und so weiter.
13:45
And this is the same thing you see
246
807000
1000
Dasselbe kann man beobachten,
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
wenn Videos zum Versand komprimiert werden: vieles wird weggelassen,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
weil die Datei so kleiner wird. Genau das macht die Retina,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
und zwar nur mit ihren Schaltkreisen, dem Netzwerk von Neuronen
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
und deren Verhalten, das wir hier auf dem Chip haben.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Was ich Ihnen klarmachen will, ich zeig's Ihnen hier oben...
14:03
So this image here is going to look like these ones,
252
825000
3000
Das Ausgabebild wird so aussehen wie diese hier,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
aber ich zeige Ihnen, dass wir das Bild rekonstruieren können,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
sodass Sie Kareem hier oben fast erkennen können.
14:13
And so, here you go.
255
835000
2000
Los geht's.
14:24
Yes, so that's the idea.
256
846000
3000
So funktioniert das.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Ohne Bewegung sehen Sie nur helle und dunkle Flecken.
14:29
But when it's moving back and forth,
258
851000
2000
Aber sobald Bewegung dazukommt,
14:31
the retina picks up these changes.
259
853000
3000
erfasst die Retina diese Veränderungen.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Wenn Sie hier sitzen und sich plötzlich
14:35
and something happens in your background,
261
857000
2000
etwas neben Ihnen bewegt,
14:37
you merely move your eyes to it.
262
859000
2000
richten Sie sofort den Blick darauf.
14:39
There are these cells that detect change
263
861000
2000
Sie haben diese Zellen, die auf Veränderungen
14:41
and you move your attention to it.
264
863000
2000
reagieren und Sie darauf hinweisen.
14:43
So those are very important for catching somebody
265
865000
2000
Das hilft Ihnen dabei jemanden zu erwischen,
14:45
who's trying to sneak up on you.
266
867000
2000
der sich anschleichen will.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Zum Abschluss will ich Ihnen zeigen, was passiert,
14:50
when you put Africa in a piano, OK.
268
872000
3000
wenn man Afrika in ein Piano steckt.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Das ist eine umgebaute Stahltrommel.
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
Das passiert, wenn man Afrika in ein Piano steckt.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
Wir sollten mehr Afrika in den Computer stecken
15:03
and come up with a new kind of computer
272
885000
2000
und einen neuen Computer erfinden,
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
der Gedanken, Vorstellungskraft hervorbringt und kreativ ist.
15:08
Thank you.
274
890000
2000
Danke.
15:10
(Applause)
275
892000
2000
(Applaus)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson: Eine Frage an dich, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Verbindest du gedanklich deine Arbeit,
15:18
the future of Africa, this conference --
278
900000
3000
die Zukunft Afrikas, diese Konferenz...
15:21
what connections can we make, if any, between them?
279
903000
3000
Was für Verbindungen können wir dazwischen sehen?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen: Ja, wie anfangs gesagt,
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Meinen ersten Computer bekam ich als Teenager in Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
Ich hatte so ein Bauchgefühl, dass wir es falsch angehen.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Es war sehr brachial, sehr unelegant.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Diese Reaktion hätte ich wohl nicht gehabt,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
wenn ich als Kind Science-Fiction gelesen hätte,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
von RD2D2 gehört gehabt hätte, oder wie immer das hieß.
15:46
buying into this hype about computers.
287
928000
1000
Diesen Hype um Computer geglaubt hätte.
15:47
I was coming at it from a different perspective,
288
929000
2000
Ich hatte einen anderen Blickwinkel darauf
15:49
where I was bringing that different perspective
289
931000
2000
und habe meinen Blickwinkel benutzt, um das
15:51
to bear on the problem.
290
933000
2000
Problem anzugehen.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Ich glaube, viele Afrikaner haben diese andere Perspektive, und ich glaube,
15:56
and I think that's going to impact technology.
292
938000
2000
das wird die Technologie beeinflussen.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
Es wird sich auf die technologische Entwicklung auswirken.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
Diese werden wir nutzen können,
16:02
to come up with new things,
295
944000
2000
um neue Dinge zu erfinden,
16:04
because you're coming from a different perspective.
296
946000
3000
weil wir die Dinge aus einer anderen Sicht sehen.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Wir können etwas beitragen, wir können träumen wie jeder andere.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Thanks Kwabena, das war sehr interessant.
16:13
Thank you.
299
955000
1000
Danke.
16:14
(Applause)
300
956000
2000
(Applaus)
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