TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Henry Markram baut ein Gehirn in einem Super-Computer
Filmed:
Readability: 3.8
1,469,354 views
Henrsy Markram sagt, dass die Geheimnisse des Gehirns bald gelöst sein können. Geisteskrankheiten, Erinnerung, Wahrnehmung: sie bestehen aus Neuronen und elektrischen Signalen, und er plant sie mit einem Super-Computer, der das Gehirn mit 100,000,000,000,000 Synapsen modeliert, zu finden.
Henry Markram - Neuroscientist
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Double-click the English transcript below to play the video.
00:18
Our mission is to build
0
0
3000
Unsere Mission ist es,
00:21
a detailed, realistic
1
3000
2000
ein detailiertes und realistisches
00:23
computer model of the human brain.
2
5000
2000
Computermodell des menschlichen Hirns zu bauen.
00:25
And we've done, in the past four years,
3
7000
3000
Und in den letzten vier Jahren
00:28
a proof of concept
4
10000
2000
haben wir die Durchführbarkeit
00:30
on a small part of the rodent brain,
5
12000
3000
in einem kleinen Teil des Hirnes bei Nagetieren nachgewiesen,
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
und mit diesem Machbarkeitsnachweis wollen wir das Projekt
00:36
to reach the human brain.
7
18000
3000
auf das menschliche Gehirn ausweiten.
00:39
Why are we doing this?
8
21000
2000
Warum wir das machen?
00:41
There are three important reasons.
9
23000
2000
Es gibt drei wichtige Gründe.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
Zum Ersten, es ist unerlässlich das menschliche Gehirn zu verstehen,
00:47
if we do want to get along in society,
11
29000
2000
wenn wir als Gesellschaft zurechtkommen wollen,
00:49
and I think that it is a key step in evolution.
12
31000
4000
und ich denke das ist ein wichtiger Schritt in Evolution.
00:53
The second reason is,
13
35000
2000
Zum Zweiten,
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
wir können Tierversuche nicht ewig durchführen,
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
und wir müssen all unsere Daten und all unser Wissen
01:05
into a working model.
16
47000
3000
in ein funktionierendes Modell einbauen.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
Es ist wie Noah's Arche. Es ist wie ein Archiv.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
Der dritte Grund ist, dass es zwei Billionen Leute auf diesem Planeten gibt,
01:15
that are affected by mental disorder,
19
57000
4000
die an einer psychischen Störung leiden,
01:19
and the drugs that are used today
20
61000
2000
und die Medikamente die heutzutage verwendet werden,
01:21
are largely empirical.
21
63000
2000
basieren grösstenteils auf Erhebungen.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Ich denke, wir können ganz konkrete Lösungen schaffen,
01:26
how to treat disorders.
23
68000
3000
wie Störungen zu behandeln sind.
01:29
Now, even at this stage,
24
71000
3000
Nun, sogar in diesem Stadium,
01:32
we can use the brain model
25
74000
2000
lässt sich das Hirn Modell dazu verwenden
01:34
to explore some fundamental questions
26
76000
3000
fundamentale Fragen zu beantworten,
01:37
about how the brain works.
27
79000
2000
wie das Gehirn funktioniert.
01:39
And here, at TED, for the first time,
28
81000
2000
Und hier, bei TED, zum ersten Mal
01:41
I'd like to share with you how we're addressing
29
83000
2000
möchte ich euch mitteilen wie wir eine Theorie
01:43
one theory -- there are many theories --
30
85000
3000
-- es gibt viele Theorien -- addressieren,
01:46
one theory of how the brain works.
31
88000
4000
eine Theorie, wie das Gehirn funktioniert.
01:50
So, this theory is that the brain
32
92000
4000
Nun, diese Theorie besagt, dass das Gehirn
01:54
creates, builds, a version of the universe,
33
96000
6000
eine Version des Universum kreiert, erbaut.
02:00
and projects this version of the universe,
34
102000
3000
Und diese Version des Universums projiziert es,
02:03
like a bubble, all around us.
35
105000
4000
wie eine Seifenblase, um uns herum.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
Natürlich ist das eine philosophische Debatte für Jahrhunderte.
02:11
But, for the first time, we can actually address this,
37
113000
3000
Aber zum ersten Mal können wir dies
02:14
with brain simulation,
38
116000
2000
mit Gehirnsimulation wirklich addressieren,
02:16
and ask very systematic and rigorous questions,
39
118000
4000
und sehr systematische und rigorose Fragen stellen,
02:20
whether this theory could possibly be true.
40
122000
4000
ob diese Theorie möglicherweise wahr sein könnte.
02:24
The reason why the moon is huge on the horizon
41
126000
3000
Der Grund, warum der Mond so gross am Horizont erscheint,
02:27
is simply because our perceptual bubble
42
129000
3000
ist schlichtwegs dass unsere Wahrnehmungs Seifenblase
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
sich nicht auf 380,000 Kilometer ausweitet.
02:34
It runs out of space.
44
136000
2000
Ihr geht der Platz aus.
02:36
And so what we do is we compare the buildings
45
138000
4000
Was wir also machen, ist die Strukturen in unserer
02:40
within our perceptual bubble,
46
142000
2000
Wahrnehmungs Seifenblase zu vergleichen,
02:42
and we make a decision.
47
144000
2000
und wir treffen eine Entscheidung.
02:44
We make a decision it's that big,
48
146000
2000
Wir entscheiden, dass er gross ist,
02:46
even though it's not that big.
49
148000
2000
obwohl er nicht so gross ist,
02:48
And what that illustrates
50
150000
2000
und was das illustriert, ist, dass unsere Entscheidungen
02:50
is that decisions are the key things
51
152000
2000
das Fundament sind, die unsere Wahrnehmungs Seifenblase
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
unterstützen. Sie halten sie am Leben.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Ohne Entscheidungen kannst du nicht sehen, kannst du nicht denken,
02:59
you cannot feel.
54
161000
2000
kannst du nicht fühlen.
03:01
And you may think that anesthetics work
55
163000
2000
Und du magst denken, dass Betäubungsmittel dadurch funktionieren,
03:03
by sending you into some deep sleep,
56
165000
3000
dass du in Tiefschlaf versetzt wirst,
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
oder dass deine Rezeptoren geblockt werden, damit du keinen Schmerz fühlst,
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
aber tatsächlich funktionieren die meisten Betäubungsmittel nicht so.
03:12
What they do is they introduce a noise
59
174000
3000
Was sie machen ist, ein Störsignal in das Hirn
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
zu senden, so dass Neuronen einander nicht mehr verstehen können.
03:18
They are confused,
61
180000
2000
Sie sind verwirrt,
03:20
and you cannot make a decision.
62
182000
3000
und du kannst keine Entscheidung treffen.
03:23
So, while you're trying to make up your mind
63
185000
3000
Während du versuchst zu begreifen,
03:26
what the doctor, the surgeon, is doing
64
188000
2000
was der Doktor, Chirurg macht,
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
während er sich an deinem Körper zu schaffen macht, ist er bereits weg.
03:30
He's at home having tea.
66
192000
2000
Er ist zuhause und trinkt Tee.
03:32
(Laughter)
67
194000
2000
(Gelächter)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
Also, wenn du auf eine Türe zugehst, und sie öffnest,
03:37
what you compulsively have to do to perceive
69
199000
3000
musst du zwingendermassen, um wahrzunehmen zu können,
03:40
is to make decisions,
70
202000
2000
Entscheidungen treffen,
03:42
thousands of decisions about the size of the room,
71
204000
3000
tausende Entscheidungen über die Grösse des Raumes,
03:45
the walls, the height, the objects in this room.
72
207000
3000
die Wand, die Höhe, die Objekte in dem Raum.
03:48
99 percent of what you see
73
210000
3000
99 Prozent von dem was du siehst
03:51
is not what comes in through the eyes.
74
213000
4000
kommt nicht durch das Auge.
03:55
It is what you infer about that room.
75
217000
4000
Es basiert auf deiner Schlussfolgerung vom Raum.
03:59
So I can say, with some certainty,
76
221000
4000
Also kann ich mit gewisser Sicherheit sagen, dass
04:03
"I think, therefore I am."
77
225000
3000
"Ich denke, also bin ich."
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
Aber ich kann nicht sagen, "Du bist, also bist du,"
04:10
because "you" are within my perceptual bubble.
79
232000
5000
weil "du" existierst innerhalb meiner Wahrnehmungs Seifenblase.
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Nun, wir können darüber spekulieren und philosophieren,
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
aber das müssen wir für die nächsten hundert Jahre eigentlich nicht.
04:21
We can ask a very concrete question.
82
243000
2000
Wir können eine sehr konkrete Frage stellen.
04:23
"Can the brain build such a perception?"
83
245000
4000
"Kann das Gehirn eine solche Wahrnehmung kreieren?"
04:27
Is it capable of doing it?
84
249000
2000
"Ist es imstande das zu tun?"
04:29
Does it have the substance to do it?
85
251000
2000
"Hat es die Fähigkeit das zu tun?"
04:31
And that's what I'm going to describe to you today.
86
253000
3000
Und das ist was ich euch heute beschreiben werde.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Das Universum brauchte 11 Billionen Jahre um das Gehirn zu erschaffen.
04:38
It had to improve it a little bit.
88
260000
2000
Es musste sich etwas verbessern.
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Es musste den vorderen Teil hinzufügen, damit man Instinkte hat,
04:43
because they had to cope on land.
90
265000
3000
weil man auf dem Land zurechtkommen mussten.
04:46
But the real big step was the neocortex.
91
268000
4000
Der wirklich grosse Schritt war der Neocortex.
04:50
It's a new brain. You needed it.
92
272000
2000
Es war ein neues Gehirn. Man hat es gebraucht.
04:52
The mammals needed it
93
274000
2000
Säugetiere brauchten es,
04:54
because they had to cope with parenthood,
94
276000
4000
weil sie Elternschaft bewältigen mussten,
04:58
social interactions,
95
280000
2000
soziale Interaktionen,
05:00
complex cognitive functions.
96
282000
3000
komplexe kognitive Funktionen.
05:03
So, you can think of the neocortex
97
285000
2000
Entsprechend kann man sich den Neocortex
05:05
actually as the ultimate solution today,
98
287000
5000
als die ultimative Lösung
05:10
of the universe as we know it.
99
292000
3000
des uns bekannten Universums vorstellen.
05:13
It's the pinnacle, it's the final product
100
295000
2000
Es ist der Höhepunkt, das Endprodukt,
05:15
that the universe has produced.
101
297000
4000
dass das Universum produziert hat.
05:19
It was so successful in evolution
102
301000
2000
Es war so erfolgreich in Evolution,
05:21
that from mouse to man it expanded
103
303000
2000
dass es sich von der Maus zum Mensch
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
um ein Tausendfaches ausweitete, was die Nummern von Neuronen angeht,
05:26
to produce this almost frightening
105
308000
3000
und dieses fast furchterregende
05:29
organ, structure.
106
311000
3000
Organ, diese Struktur entwickelte.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
Und die Entwicklung stoppt damit nicht.
05:35
In fact, the neocortex in the human brain
108
317000
2000
Tatsächlich entwickelt sich der Neocortex im menschlichen Hirn
05:37
is evolving at an enormous speed.
109
319000
3000
mit enormer Geschwindigkeit.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Wenn man die Oberfläche des Neocortex näher beobachtet,
05:42
you discover that it's made up of little modules,
111
324000
3000
entdreckt man, dass es aus lauter kleinen Komponenten besteht.
05:45
G5 processors, like in a computer.
112
327000
2000
G5 Prozessoren, wie in einem Computer.
05:47
But there are about a million of them.
113
329000
3000
Aber hier befinden sich ungefähr eine Million davon.
05:50
They were so successful in evolution
114
332000
2000
Sie waren so erfolgreich in ihrer Entwicklung,
05:52
that what we did was to duplicate them
115
334000
2000
dass wir sie dupliziert haben,
05:54
over and over and add more and more of them to the brain
116
336000
2000
immer und immer wieder, und sie dem Gehirn hinzugefügt haben
05:56
until we ran out of space in the skull.
117
338000
3000
bis wir keinen Platz mehr im Schädel hatten.
05:59
And the brain started to fold in on itself,
118
341000
2000
Das Gehirn fing an sich zu falten,
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
weshalb der Neocortex so verschachtelt ist.
06:04
We're just packing in columns,
120
346000
2000
Wir packen sie nur in Säulen,
06:06
so that we'd have more neocortical columns
121
348000
3000
so dass wir mehr neokortikalen Säulen besitzen,
06:09
to perform more complex functions.
122
351000
3000
um komplexere Funktionen durchzuführen.
06:12
So you can think of the neocortex actually as
123
354000
2000
Entsprechend kann man sich den Neocortex
06:14
a massive grand piano,
124
356000
2000
als einen grossen Flügel,
06:16
a million-key grand piano.
125
358000
3000
ein Millionen-tastigen Flügel vorstellen.
06:19
Each of these neocortical columns
126
361000
2000
Jede dieser neokortikalen Säulen
06:21
would produce a note.
127
363000
2000
würde eine Note produzieren.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Man stimuliert es; es kreiert eine Symphonie.
06:26
But it's not just a symphony of perception.
129
368000
3000
Aber es ist nicht nur eine Symphonie der Wahrnehmung.
06:29
It's a symphony of your universe, your reality.
130
371000
3000
Es ist die Symphonie eines Universums, deiner Realität.
06:32
Now, of course it takes years to learn how
131
374000
3000
Nun, natürlich dauert es Jahre zu lernen, wie
06:35
to master a grand piano with a million keys.
132
377000
3000
man einen Flügel mit Millionen Tasten meistert.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
Das ist der Grund warum man seine Kinder an gute Schulen schickt,
06:40
hopefully eventually to Oxford.
134
382000
2000
hoffentlich schlussendlich nach Oxford.
06:42
But it's not only education.
135
384000
3000
Aber es kommt nicht nur auf die Bildung darauf an.
06:45
It's also genetics.
136
387000
2000
Auch auf die Genetik.
06:47
You may be born lucky,
137
389000
2000
Man mag mit Glück geboren sein,
06:49
where you know how to master your neocortical column,
138
391000
4000
oder wissen, wie man seine neokortikale Säule meistern kann,
06:53
and you can play a fantastic symphony.
139
395000
2000
und kann eine fantastische Symphonie spielen.
06:55
In fact, there is a new theory of autism
140
397000
3000
Tatsächlich gibt es eine neue Theorie über Autismus,
06:58
called the "intense world" theory,
141
400000
2000
auch die "Intense World" Theorie genannt,
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
welche suggeriert, dass die neokortikalen Säulen, Super-Säulen sind.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Sie sind höchst reaktiv und äusserst formbar,
07:08
and so the autists are probably capable of
144
410000
3000
und so haben Autisten möglicherweise die Fähigkeit
07:11
building and learning a symphony
145
413000
2000
Symphonien zu erbauen und zu lernen,
07:13
which is unthinkable for us.
146
415000
2000
welche für uns undenkbar sind.
07:15
But you can also understand
147
417000
2000
Aber man kann auch verstehen,
07:17
that if you have a disease
148
419000
2000
dass wenn sich eine Krankheit
07:19
within one of these columns,
149
421000
2000
innerhalb dieser Säulen befindet,
07:21
the note is going to be off.
150
423000
2000
die Noten falsch sein werden.
07:23
The perception, the symphony that you create
151
425000
2000
Die Wahrnehmung, die Symphonie die man kreiert,
07:25
is going to be corrupted,
152
427000
2000
wird verfälscht,
07:27
and you will have symptoms of disease.
153
429000
3000
und man weist Symptome einer Krankheit auf.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
Deshalb ist der Heilige Gral der Neurowissenschaft,
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
das Design der neokortikalen Säulen wirklich zu verstehen --
07:38
and it's not just for neuroscience;
156
440000
2000
und dies nicht nur für die Neurowissenschaft;
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
vielleicht ermöglicht es Wahrnehmung und die Realität zu verstehen,
07:43
and perhaps to even also understand physical reality.
158
445000
4000
und vielleicht sogar eine physikalische Realität.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
So, was wir für die letzten 15 Jahre gemacht haben,
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
war es, den Neocortex systematisch zerlegen.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
Es ist ähnlich wie ein Stück des Regenwaldes zu katalogisieren.
07:58
How many trees does it have?
162
460000
2000
Wieviele Bäume gibt es?
08:00
What shapes are the trees?
163
462000
2000
Welche Form haben die Bäume?
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
Wieviele pro Typus Baum gibt es? Wo sind sie positioniert?
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
Es ist ein bisschen mehr als Katalogisieren, da man eigentlich
08:07
describe and discover all the rules of communication,
166
469000
4000
alle Regeln der Kommunikation beschreiben und entdecken muss,
08:11
the rules of connectivity,
167
473000
2000
die Regeln der Konnektivität,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
weil die Neuronen nicht nur mit irgendeinem Neuron verknüpfen wollen.
08:16
They choose very carefully who they connect with.
169
478000
3000
Sie wählen sehr sorgfältig aus, mit wem sie sich verknüpfen.
08:19
It's also more than cataloging
170
481000
3000
Es ist auch mehr als Katalogisieren,
08:22
because you actually have to build three-dimensional
171
484000
2000
weil man ein drei-dimensionales
08:24
digital models of them.
172
486000
2000
digitales Modell von ihnen bauen muss.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
Und das machten wir für Tausende von Neuronen,
08:28
built digital models of all the different types
174
490000
3000
bauten digitale Modelle für alle verschiedenen Typen von Neuronen
08:31
of neurons we came across.
175
493000
2000
welche wir antrafen.
08:33
And once you have that, you can actually
176
495000
2000
Und sobald man das hat, kann man
08:35
begin to build the neocortical column.
177
497000
4000
beginnen eine neokortikale Kolumne zu kreieren.
08:39
And here we're coiling them up.
178
501000
3000
Und hier wickeln wir sie auf.
08:42
But as you do this, what you see
179
504000
3000
Aber während man das macht, sieht man,
08:45
is that the branches intersect
180
507000
2000
dass die Äste sich
08:47
actually in millions of locations,
181
509000
3000
in Millionen von Orten überschneiden,
08:50
and at each of these intersections
182
512000
3000
und an jeder dieser Überschneidung
08:53
they can form a synapse.
183
515000
2000
können sie eine Synapse formen.
08:55
And a synapse is a chemical location
184
517000
2000
Und eine Synapse ist ein chemischer Ort
08:57
where they communicate with each other.
185
519000
3000
an welchem sie miteinander kommunizieren.
09:00
And these synapses together
186
522000
2000
Und diese Synapsen miteinander
09:02
form the network
187
524000
2000
vom Netzwerk
09:04
or the circuit of the brain.
188
526000
3000
oder Schaltkreis des Hirns.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Nun, diesen Schaltkreis kann man sich auch als
09:11
the fabric of the brain.
190
533000
2000
als Gewebe des Hirns vorstellen.
09:13
And when you think of the fabric of the brain,
191
535000
3000
Und wenn man sich das Gewebe des Hirns vorstellt,
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
die Struktur, wie ist es gebaut? Was ist das Muster des "Teppichs"?
09:20
You realize that this poses
193
542000
2000
Man realisiert, dass dies
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
eine fundamentale Herausforderung an jede Theorie des Hirns ist,
09:26
and especially to a theory that says
195
548000
2000
und insbesondere an eine Theorie die besagt,
09:28
that there is some reality that emerges
196
550000
2000
dass eine Art Realität
09:30
out of this carpet, out of this particular carpet
197
552000
3000
aus diesem "Teppich" hervorgeht, aus diesem bestimmten "Teppich"
09:33
with a particular pattern.
198
555000
2000
mit einem bestimmten Muster.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
Der Grund ist, weil das wichtigste Design Geheimnis des Hirns
09:38
is diversity.
200
560000
2000
Vielfältigkeit ist.
09:40
Every neuron is different.
201
562000
2000
Jedes Neuron ist verschieden.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
Es ist das gleiche wie in einem Wald. Jede Kiefer ist anders.
09:44
You may have many different types of trees,
203
566000
2000
Man hat vielleicht viele verschiedene Arten von Bäumen,
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
aber jede Kiefer ist anders. Und im Gehirn ist es das gleiche.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Also ist kein Neuron in meinem Gehirn gleich wie ein weiteres,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
und es es gibt kein Neuron in meinem Hirn, dass gleich ist wie in eurem.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
Und eure Neuronen sind nicht in exakt gleicher Weise
09:58
in exactly the same way.
208
580000
2000
auf genau gleiche Art und Weise orientiert und positioniert.
10:00
And you may have more or less neurons.
209
582000
2000
Und ihr habt möglicherweise mehr oder weniger Neuronen.
10:02
So it's very unlikely
210
584000
2000
Entsprechend ist sehr unwahrscheinlich,
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
dass ihr das gleiche Gewebe habt, die gleichen Schaltkreise.
10:08
So, how could we possibly create a reality
212
590000
2000
Nun, wie könnten wir möglicherweise eine Realität kreieren,
10:10
that we can even understand each other?
213
592000
3000
so dass wir einander verstehen können?
10:13
Well, we don't have to speculate.
214
595000
2000
Wir müssen nicht spekulieren.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Wir können nun 10 Millionen Synapsen betrachten.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Wir können das Gewebe betrachten. Und wir können Neuronen verändern.
10:21
We can use different neurons with different variations.
217
603000
2000
Wir können verschiedene Neuronen mit verschiedenen Variationen verwenden.
10:23
We can position them in different places,
218
605000
2000
Wir können sie in verschiedenen Orten platzieren,
10:25
orient them in different places.
219
607000
2000
in verschiedenen Orten orientieren.
10:27
We can use less or more of them.
220
609000
2000
Wir können mehr von ihnen verwenden, oder weniger.
10:29
And when we do that
221
611000
2000
Und wenn wir das machen,
10:31
what we discovered is that the circuitry does change.
222
613000
3000
was wir entdeckt haben, ist, dass der Schaltkreis sich verändert.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
Aber das Muster wie die Schaltkreise gestaltet sind, nicht.
10:41
So, the fabric of the brain,
224
623000
2000
Also, das Gewebe des Hirns,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
auch wenn eure Gehirne ein bisschen kleiner, grösser sind,
10:45
it may have different types of neurons,
226
627000
3000
vielleicht haben sie andere Arten von Neuronen,
10:48
different morphologies of neurons,
227
630000
2000
andere Morphologien von Neuronen,
10:50
we actually do share
228
632000
3000
tatsächlich teilen wir
10:53
the same fabric.
229
635000
2000
das gleiche Gewebe.
10:55
And we think this is species-specific,
230
637000
2000
Und wir denken dass dies Spezien-spezifisch ist,
10:57
which means that that could explain
231
639000
2000
was heisst, dass wir auch erklären könnten,
10:59
why we can't communicate across species.
232
641000
2000
warum wir nicht über Spezies hinweg kommunizieren können.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
Nun, schalten wir es ein. Aber um das zu tun, was man machen muss,
11:04
is you have to make this come alive.
234
646000
2000
ist es, dies zum Leben zu erwecken.
11:06
We make it come alive
235
648000
2000
Wir erwecken es zum Leben
11:08
with equations, a lot of mathematics.
236
650000
2000
mit Gleichungen und viel Mathematik.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
Und diese Gleichungen, die Neuronen in elektrische Generatoren verwandeln,
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
wurden von zwei Cambridge Nobel Preisträgern entdeckt.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Nun, wir haben die Mathematik um die Neuronen zum Leben zu erwecken.
11:20
We also have the mathematics to describe
240
662000
2000
Wir haben auch die Mathematik um zu beschreiben,
11:22
how neurons collect information,
241
664000
3000
wie Neuronen Informationen sammeln,
11:25
and how they create a little lightning bolt
242
667000
3000
und wie sie kleine Blitze generieren,
11:28
to communicate with each other.
243
670000
2000
um miteinander zu kommunizieren.
11:30
And when they get to the synapse,
244
672000
2000
Und wenn sie zur Synapse gelangen,
11:32
what they do is they effectively,
245
674000
2000
was sie sehr effektiv machen, ist es,
11:34
literally, shock the synapse.
246
676000
3000
im wahrsten Sinne des Wortes, die Synapse zu schocken.
11:37
It's like electrical shock
247
679000
2000
Es ist wie ein elektrischer Schock,
11:39
that releases the chemicals from these synapses.
248
681000
3000
welcher Chemikalien von der Synapse freigibt.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
Und wir haben die Mathematik um diesen Prozess zu beschreiben.
11:45
So we can describe the communication between the neurons.
250
687000
4000
Und so können wir die Kommunikation zwischen den Neuronen beschreiben.
11:49
There literally are only a handful
251
691000
3000
Es gibt buchstäblich nur eine Handvoll
11:52
of equations that you need to simulate
252
694000
2000
Gleichungen die benötigt werden,
11:54
the activity of the neocortex.
253
696000
2000
um die Aktivität des Neocortex zu simulieren.
11:56
But what you do need is a very big computer.
254
698000
3000
Aber was man braucht, ist ein sehr grosser Computer.
11:59
And in fact you need one laptop
255
701000
2000
In der Tat braucht man einen Laptop,
12:01
to do all the calculations just for one neuron.
256
703000
3000
der alle Berechnungen für nur ein Neuron durchführt.
12:04
So you need 10,000 laptops.
257
706000
2000
Entsprechend braucht man 10,000 Laptops.
12:06
So where do you go? You go to IBM,
258
708000
2000
Wohin geht man dann? Man geht zu IBM,
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
und man bekommt einen Super-Computer, weil sie wissen wie man
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
10,000 Laptops in die Grösse eines Kühlschranks verwandeln kann.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Nun haben wir diesen "Blue Gene" Super-Computer.
12:17
We can load up all the neurons,
262
719000
2000
Wir können all diese Neuronen hochladen,
12:19
each one on to its processor,
263
721000
2000
jedes Einzelne in seinen eigenen Prozessor,
12:21
and fire it up, and see what happens.
264
723000
4000
es aktivieren, und beobachten, was passiert.
12:25
Take the magic carpet for a ride.
265
727000
3000
Eine Runde mit dem "magischen Teppich" drehen.
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Hier aktivieren wir es. Und das gibt uns einen flüchtigen Eindruck davon,
12:31
of what is happening in your brain
267
733000
2000
was in eurem Hirn vor sich geht
12:33
when there is a stimulation.
268
735000
2000
wenn eine Stimulation erfolgt.
12:35
It's the first view.
269
737000
2000
Das ist die erste Betrachtung.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Nun, wenn man das das erste Mal sieht, fragt man sich,
12:39
"My god. How is reality coming out of that?"
271
741000
5000
"Oh mein Gott. Wie kann aus dem Realität hervorkommen?"
12:44
But, in fact, you can start,
272
746000
3000
Aber, tatsächlich, kann man anfangen,
12:47
even though we haven't trained this neocortical column
273
749000
4000
obwohl wir diese neokortikale Kolumne nicht trainiert haben,
12:51
to create a specific reality.
274
753000
2000
eine spezifische Realität zu kreieren.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
Aber wir können fragen, "Wo ist die Rose?"
12:57
We can ask, "Where is it inside,
276
759000
2000
Wir können fragen, "Wo befindet sie sich,
12:59
if we stimulate it with a picture?"
277
761000
3000
wenn wir ihn mit einem Bild stimulieren?"
13:02
Where is it inside the neocortex?
278
764000
2000
Wo ist sie innerhalb des Neocortex?
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Schlussendlich muss sie dort sein, wenn wir ihn damit stimuliert haben.
13:08
So, the way that we can look at that
280
770000
2000
Die Art und Weise wie wir das betrachten können,
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
ist es, die Neuronen zu ignorieren, die Synapsen zu ignorieren,
13:13
and look just at the raw electrical activity.
282
775000
2000
und nur die raue elektrische Aktivität zu betrachten.
13:15
Because that is what it's creating.
283
777000
2000
Weil das ist, was wir kreieren.
13:17
It's creating electrical patterns.
284
779000
2000
Es ist das Kreieren elektrischer Muster.
13:19
So when we did this,
285
781000
2000
Wenn wir dies machen,
13:21
we indeed, for the first time,
286
783000
2000
haben wir in der Tat, zum ersten Mal
13:23
saw these ghost-like structures:
287
785000
3000
diese Geist-ähnlichen Strukturen gesehen:
13:26
electrical objects appearing
288
788000
3000
elektrische Objekte, welche innerhalb
13:29
within the neocortical column.
289
791000
3000
der neokortikalen Kolumne erscheinen.
13:32
And it's these electrical objects
290
794000
3000
Und es sind diese elektrischen Objekte,
13:35
that are holding all the information about
291
797000
3000
die all die Informationen über die
13:38
whatever stimulated it.
292
800000
3000
entsprechenden Stimuli beinhalten.
13:41
And then when we zoomed into this,
293
803000
2000
Und wenn wir näher reinzommen,
13:43
it's like a veritable universe.
294
805000
4000
ist es wie ein wahrhaftes Universum.
13:47
So the next step
295
809000
2000
Der nächste Schritt ist es,
13:49
is just to take these brain coordinates
296
811000
4000
diese Hirn Koordinaten zu nehmen,
13:53
and to project them into perceptual space.
297
815000
4000
und sie in wahrnehmbaren Raum zu projizieren.
13:57
And if you do that,
298
819000
2000
Und wenn man das macht,
13:59
you will be able to step inside
299
821000
2000
wird es möglich sein,
14:01
the reality that is created
300
823000
2000
in eine Realität zu schreiten,
14:03
by this machine,
301
825000
2000
die von dieser Maschine,
14:05
by this piece of the brain.
302
827000
3000
diesem Stück Hirn kreiert wurde.
14:08
So, in summary,
303
830000
2000
So, zusammenfassend,
14:10
I think that the universe may have --
304
832000
2000
Ich denke, dass dieses Universum möglicherweise --
14:12
it's possible --
305
834000
2000
es ist möglich --
14:14
evolved a brain to see itself,
306
836000
3000
ein Gehirn entwickelt hat, um sich selber zu betrachten,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
was vielleicht ein erster Schritt ist, um sich selber wahrzunehmen.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Es gibt noch viel zu tun, um diese Theorien zu testen,
14:24
and to test any other theories.
309
846000
3000
und andere Theorien zu testen.
14:27
But I hope that you are at least partly convinced
310
849000
3000
Aber ich hoffe, dass ihr zumindest teilweise davon überzeugt seid,
14:30
that it is not impossible to build a brain.
311
852000
3000
dass es nicht unmöglich ist, ein Gehirn zu bauen.
14:33
We can do it within 10 years,
312
855000
2000
Wir können es innert 10 Jahre erreichen,
14:35
and if we do succeed,
313
857000
2000
und wenn wir Erfolg haben,
14:37
we will send to TED, in 10 years,
314
859000
2000
werden wir in 10 Jahren,
14:39
a hologram to talk to you. Thank you.
315
861000
3000
ein Hologramm zu TED schicken, um mit euch zu reden. Danke.
14:42
(Applause)
316
864000
6000
(Applaus)
ABOUT THE SPEAKER
Henry Markram - NeuroscientistHenry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time.
Why you should listen
In the microscopic, yet-uncharted circuitry of the cortex, Henry Markram is perhaps the most ambitious -- and our most promising -- frontiersman. Backed by the extraordinary power of the IBM Blue Gene supercomputing architecture, which can perform hundreds of trillions of calculations per second, he's using complex models to precisely simulate the neocortical column (and its tens of millions of neural connections) in 3D.
Though the aim of Blue Brain research is mainly biomedical, it has been edging up on some deep, contentious philosophical questions about the mind -- "Can a robot think?" and "Can consciousness be reduced to mechanical components?" -- the consequence of which Markram is well aware: Asked by Seed Magazine what a simulation of a full brain might do, he answered, "Everything. I mean everything" -- with a grin.
Now, with a successful proof-of-concept for simulation in hand (the project's first phase was completed in 2007), Markram is looking toward a future where brains might be modeled even down to the molecular and genetic level. Computing power marching rightward and up along the graph of Moore's Law, Markram is sure to be at the forefront as answers to the mysteries of cognition emerge.
Henry Markram | Speaker | TED.com