TEDIndia 2009
Pawan Sinha: How brains learn to see
Ο Παουάν Σινχά για το πώς ο εγκέφαλος μαθαίνει να βλέπει
Filmed:
Readability: 4.5
939,209 views
Ο Παουάν Σινχά περιγράφει την πρωτοποριακή του έρευνα για το πώς αναπτύσσεται το οπτικό σύστημα του εγκεφάλου. Ο Σινχά και η ομάδα του προσφέρουν δωρεάν θεραπεία αποκατάστασης της όρασης σε παιδιά που έχουν γεννηθεί τυφλά, και μετά μελετούν πώς οι εγκέφαλοι τους μαθαίνουν να ερμηνεύουν οπτικά δεδομένα. Αυτή η εργασία προσφέρει βαθιά κατανόηση στην νευροεπιστήμη, τη μηχανική ακόμη και στον αυτισμό.
Pawan Sinha - Visual neuroscientist
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Double-click the English transcript below to play the video.
00:15
If you are a blind child in India,
0
0
4000
Άν είσαι ενα τυφλό παιδί στην Ινδία,
00:19
you will very likely have to contend with
1
4000
3000
πολύ πιθανό θα πρέπει να συμβιβαστείς με
00:22
at least two big pieces of bad news.
2
7000
3000
τουλάχιστον 2 πολύ άσχημα νέα.
00:25
The first bad news
3
10000
2000
Το πρώτο κακό είναι ότι
00:27
is that the chances of getting treatment
4
12000
3000
είναι ότι οι πιθανότητες λήψης θεραπείας
00:30
are extremely slim to none,
5
15000
3000
είναι εξαιρετικά ελάχιστες έως μηδαμινές,
00:33
and that's because most of the blindness
6
18000
2000
και αυτό επειδή τα περισσότερα προγράμματα
00:35
alleviation programs in the country
7
20000
2000
ανακούφισης για τυφλούς στη χώρα
00:37
are focused on adults,
8
22000
2000
επικεντρώνονται σε ενήλικες,
00:39
and there are very, very few hospitals
9
24000
3000
και υπάρχουν ελάχιστα νοσοκομεία
00:42
that are actually equipped to treat children.
10
27000
3000
που είναι στη πραγματικότητα εξοπλισμένα για τη θεραπεία παιδιών.
00:46
In fact, if you were to be treated,
11
31000
4000
Στη πραγματικότητα, εάν επρόκειτο να σε περιθάλψουν,
00:51
you might well end up being treated
12
36000
3000
τότε ενδεχομένως να καταλήξεις να σε περιθάλπτει
00:54
by a person who has no medical credentials
13
39000
3000
ένα άτομο που δεν έχει καθόλου ιατρικά πιστοποιητικά
00:57
as this case from Rajasthan illustrates.
14
42000
3000
όπως η περίπτωση που συνέβη στο Ρατζαστάν
01:00
This is a three-year-old orphan girl
15
45000
2000
Αυτό είναι ενα τρίχρονο ορφανό κορίτσι
01:02
who had cataracts.
16
47000
2000
που είχε καταρράκτη.
01:04
So, her caretakers took her
17
49000
2000
Έτσι, οι κηδεμόνες της, την πήραν
01:06
to the village medicine man,
18
51000
2000
στον τσαρλατάνο του χωριού,
01:08
and instead of suggesting to the caretakers
19
53000
3000
ο οποίος αντί να προτείνει στους κηδεμόνες
01:11
that the girl be taken to a hospital,
20
56000
3000
να πάρουν το κορίτσι στο νοσοκομείο,
01:14
the person decided to burn her abdomen
21
59000
2000
αποφάσισε να κάψει την κοιλιακή χώρα της
01:16
with red-hot iron bars
22
61000
2000
με πυρακτωμένες σιδερένιες ράβδους
01:18
to drive out the demons.
23
63000
2000
για να διώξει τους δαίμονες.
01:20
The second piece of bad news
24
65000
3000
Το δεύτερο κακό νέο
01:23
will be delivered to you
25
68000
2000
θα το μάθεις
01:25
by neuroscientists, who will tell you
26
70000
3000
απο νευροεπιστήμονες, που θα σου πούν
01:28
that if you are older than four or five years of age,
27
73000
3000
ότι αν είσαι μεγαλύτερος απο 4 ή 5 χρονών,
01:31
that even if you have your eye corrected,
28
76000
3000
ακόμη κι αν διορθωθεί η όρασή σου,
01:34
the chances of your brain learning how to see
29
79000
3000
οι πιθανότητες να μάθει ο εγκέφαλος σου να βλέπει
01:37
are very, very slim --
30
82000
2000
είναι ελάχιστες.
01:39
again, slim or none.
31
84000
3000
Ελάχιστες έως μηδαμινές.
01:42
So when I heard these two things,
32
87000
2000
Έτσι όταν άκουσα αυτά τα δύο πράγματα
01:44
it troubled me deeply,
33
89000
2000
με προβλημάτισε βαθιά,
01:46
both because of personal reasons
34
91000
2000
τόσο για προσωπικούς λόγους
01:48
and scientific reasons.
35
93000
2000
όσο και για επιστημονικούς.
01:50
So let me first start with the personal reason.
36
95000
3000
Άρχικα, ας ξεκινήσω με τους προσωπικούς λόγους.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Θα ακουστεί μπανάλ, αλλά είναι ειλικρινές.
01:56
That's my son, Darius.
38
101000
2000
Αυτός είναι ο γιος μου, ο Ντάριους.
01:58
As a new father,
39
103000
2000
Σαν νέος πατέρας,
02:00
I have a qualitatively different sense
40
105000
4000
Έχω μια ποιοτικά διαφορετική αντίληψη
02:04
of just how delicate babies are,
41
109000
3000
του πόσο εύθραυστα είναι τα βρέφη,
02:07
what our obligations are towards them
42
112000
3000
ποιες είναι οι υποχρεώσεις μας απέναντί τους,
02:10
and how much love
43
115000
2000
και πόση αγάπη
02:12
we can feel towards a child.
44
117000
3000
μπορούμε να νιώσουμε για ένα παιδί.
02:15
I would move heaven and earth
45
120000
2000
Θα κινούσα γη και ουρανό
02:17
in order to get treatment for Darius,
46
122000
3000
για να βρω θεραπεία για τον Ντάριους.
02:20
and for me to be told
47
125000
2000
Και, για μένα, το να μου λένε
02:22
that there might be other Dariuses
48
127000
2000
ότι μπορεί να υπάρχουν κι άλλοι Ντάριοι
02:24
who are not getting treatment,
49
129000
2000
που δεν λαμβάνουν θεραπεία,
02:26
that's just viscerally wrong.
50
131000
3000
αυτό είναι τραγικά λάθος.
02:29
So that's the personal reason.
51
134000
2000
Αυτός είναι ο προσωπικός λόγος.
02:31
Scientific reason is that this notion
52
136000
3000
Ο επιστημονικός λόγος είναι το δόγμα που προήλθε
02:34
from neuroscience of critical periods --
53
139000
2000
από τη νευροεπιστήμη των «κρίσιμων περιόδων»
02:36
that if the brain is older
54
141000
3000
που λέει ότι, αν ο εγκέφαλος είναι μεγαλύτερος
02:39
than four or five years of age,
55
144000
2000
από τεσσάρων ή πέντε χρονών,
02:41
it loses its ability to learn --
56
146000
2000
χάνει την ικανότητα του να μαθαίνει,
02:43
that doesn't sit well with me,
57
148000
2000
αυτό δεν αρκεί σε μένα,
02:45
because I don't think that idea
58
150000
2000
επειδή δεν πιστεύω ότι αυτή ι ιδέα
02:47
has been tested adequately.
59
152000
3000
έχει εξεταστεί επαρκώς.
02:50
The birth of the idea is from
60
155000
2000
Η γέννηση της ιδέας προήλθε από
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
τη δουλειά του Ντέιβιντ Χιούμπελ και του Τόρστεν Γουίζελ
02:54
two researchers who were at Harvard,
62
159000
2000
δύο ερευνητών που ήταν στο Χάρβαρντ,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
και βραβεύτηκαν με το Νόμπελ Ιατρικής το 1981
02:59
for their studies of visual physiology,
64
164000
2000
για τις μελέτες τους στην οπτική φυσιολογία,
03:01
which are remarkably beautiful studies,
65
166000
2000
οι οποίες είναι εξαιρετικά όμορφες μελέτες,
03:03
but I believe some of their work
66
168000
2000
αλλά θεωρώ ότι μέρος της δουλειάς τους
03:05
has been extrapolated
67
170000
2000
έχει ενσωματωθεί
03:07
into the human domain prematurely.
68
172000
2000
πρόωρα στον ανθρώπινο τομέα.
03:09
So, they did their work with kittens,
69
174000
2000
Έτσι, δούλεψαν πάνω σε γάτες,
03:11
with different kinds of deprivation regiments,
70
176000
2000
με διαφορετικά είδη στερήσεων,
03:13
and those studies,
71
178000
2000
και αυτές οι μελέτες,
03:15
which date back to the '60s,
72
180000
2000
οι οποίες χρονολογούνται από τη δεκαετία του εξήντα,
03:17
are now being applied to human children.
73
182000
3000
τώρα εφαρμόζονται σε παιδιά.
03:20
So I felt that I needed to do two things.
74
185000
3000
Έτσι, αντιλήφθηκα ότι χρειαζόταν να κάνω δύο πράγματα.
03:23
One: provide care
75
188000
3000
Πρώτον: Να προσφέρω φροντίδα
03:26
to children who are currently
76
191000
2000
σε παιδιά που αυτή τη στιγμή
03:28
being deprived of treatment.
77
193000
2000
στερούνται φροντίδας.
03:30
That's the humanitarian mission.
78
195000
2000
Αυτή είναι η ανθρωπιστική αποστολή.
03:32
And the scientific mission would be
79
197000
2000
Η επιστημονική αποστολή θα είναι
03:34
to test the limits
80
199000
2000
να δοκιμάσουμε τα όρια
03:36
of visual plasticity.
81
201000
2000
της οπτικής πλαστικότητας.
03:38
And these two missions, as you can tell,
82
203000
3000
Και αυτές οι δύο αποστολές, όπως μπορείτε να δείτε,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
διακλαδώνονται μαζί τέλεια, η μία συμπληρώνει την άλλη.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Στην πραγματικότητα, η μία θα ήταν αδύνατη χωρίς την άλλη.
03:49
So, to implement
85
214000
2000
Έτσι, για να εφαρμόσω
03:51
these twin missions,
86
216000
2000
αυτές τις ταυτόσημες αποστολές,
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
μερικά χρόνια πριν, ξεκίνησα το Πρόγραμμα Πρακάς.
03:56
Prakash, as many of you know,
88
221000
2000
Πρακάς, όπως αρκετοί από εσάς γνωρίζετε,
03:58
is the Sanskrit word for light,
89
223000
2000
είναι η σανσκριτική λέξη για το φως,
04:00
and the idea is that
90
225000
2000
και η ιδέα είναι πώς°
04:02
in bringing light into the lives of children,
91
227000
3000
με το να φέρουμε φως στις ζωές των παιδιών,
04:05
we also have a chance
92
230000
2000
έχουμε επίσης και μια ευκαιρία
04:07
of shedding light on some of the
93
232000
2000
να ρίξουμε φως σε μερικά
04:09
deepest mysteries of neuroscience.
94
234000
3000
από τα μεγαλύτερα μυστήρια των νευροεπιστημών.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
Το λογότυπο, παρόλο που φαίνεται υπερβολικά Ιρλανδικό,
04:15
it's actually derived from
96
240000
2000
στην πραγματικότητα προέρχεται από
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
το Ινδικό σύμβολο της Ντίγια, που είναι η πήλινη λάμπα.
04:21
The Prakash, the overall effort
98
246000
3000
Το Πρακάς, η συνολική εκστρατεία
04:24
has three components:
99
249000
2000
απαρτίζεται από 3 μέλη,
04:26
outreach, to identify children in need of care;
100
251000
4000
την προσέγγιση, την αναγνώριση παιδιών που χρειάζονται φροντίδα,
04:30
medical treatment; and in subsequent study.
101
255000
3000
την ιατρική περίθαλψη, με επακόλουθο την έρευνα.
04:33
And I want to show you a short video clip
102
258000
3000
Θα ήθελα να σας δείξω ένα μικρό βίντεο
04:36
that illustrates the first two components of this work.
103
261000
3000
που παρουσιάζει τα δύο πρώτα μέλη αυτής της δουλειάς.
04:41
This is an outreach station
104
266000
2000
Αυτός είναι ένας σταθμός προσέγγισης
04:43
conducted at a school for the blind.
105
268000
3000
που λειτουργεί σε μια σχολή τυφλών.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Κείμενο: Τα περισσότερα από τα παιδιά είναι μονίμως και σε μεγάλο βαθμό τυφλά...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Παουάν Σινχά: Έτσι, επειδή αυτή είναι μια σχολή τυφλών,
04:56
many children have permanent conditions.
108
281000
2000
πολλά από τα παιδιά πάσχουν από μόνιμες παθήσεις
04:58
That's a case of microphthalmos,
109
283000
3000
Αυτή είναι μια περίπτωση μικροφθαλμίας
05:01
which is malformed eyes,
110
286000
2000
που είναι μια δυσμορφία των ματιών,
05:03
and that's a permanent condition;
111
288000
2000
και είναι μια μόνιμη πάθηση.
05:05
it cannot be treated.
112
290000
2000
Δεν υπάρχει θεραπεία.
05:07
That's an extreme of micropthalmos
113
292000
2000
Αυτή είναι μια σπάνια περίπτωση μικροφθαλμίας
05:09
called enophthalmos.
114
294000
2000
που ονομάζεται ενοφθαλμία.
05:11
But, every so often, we come across children
115
296000
2000
Αλλά, κάθε τόσο, βρίσκουμε παιδιά
05:13
who show some residual vision,
116
298000
3000
που παρουσιάζουν σημάδια μερικής όρασης,
05:16
and that is a very good sign
117
301000
3000
το οποίο είναι πολύ καλό σημάδι
05:19
that the condition might actually be treatable.
118
304000
2000
ότι η πάθηση μπορεί όντως να είναι θεραπεύσιμη.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Έτσι, μετά τη προβολή, φέρνουμε τα παιδιά στο νοσοκομείο.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Αυτό είναι το νοσοκομείο με το οποίο συνεργαζόμαστε στο Δελχί,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
Το νοσοκομείο Σχροφ φιλανθρωπικό μάτι.
05:29
It has a very well-equipped
122
314000
2000
Έχει ένα πλήρως εξοπλισμένο
05:31
pediatric ophthalmic center,
123
316000
3000
παιδιατρικό οφθαλμολογικό κέντρο,
05:35
which was made possible in part
124
320000
2000
το οποίο κατέστη δυνατό εν μέρη
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
από ένα δώρο του φιλανθρωπικού ιδρύματος Ρόναλντ Μακντόναλντ.
05:41
So, eating burgers actually helps.
126
326000
3000
Γιαυτό, βοηθά το να τρως μπέργκερς.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Κείμενο: Τέτοιες εξετάσεις μας βοήθησαν στο να βελτιώσουμε
05:47
eye-health in many children, and ...
128
332000
2000
την όραση σε πολλά παιδιά, και ...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
... μας βοήθησε να βρούμε παιδιά που μπορούν να συμμετάσχουν στο Πρόγραμμα Πρακάς.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
ΥΓ: Καθώς ζουμάρω στα μάτια αυτού του παιδιού,
05:59
you will see the cause of his blindness.
131
344000
3000
θα δείτε την αιτία της τύφλωσης του.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Τα άσπρα που βλέπετε στο κέντρο της κόρης του
06:06
are congenital cataracts,
133
351000
3000
είναι συγγενής καταρράκτης,
06:09
so opacities of the lens.
134
354000
2000
θολερότητες του φακού.
06:11
In our eyes, the lens is clear,
135
356000
3000
Στα δικά μας μάτια οι φακοί είναι καθαροί,
06:14
but in this child, the lens has become opaque,
136
359000
2000
αλλά σε αυτό το παιδί, οι φακοί έχουν θολώσει,
06:16
and therefore he can't see the world.
137
361000
3000
με αποτέλεσμα να μην μπορεί να δει τον κόσμο.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Έτσι, το παιδί λαμβάνει 8εραπεία. Θα δείτε εικόνες του ματιού.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Αυτό είναι το μάτι με θολωμένους φακούς,
06:24
the opaque lens extracted
140
369000
2000
οι θολωμένοι φακοί έχουν εξαχθεί
06:26
and an acrylic lens inserted.
141
371000
3000
και τοποθετείται ένας ακρυλικός φακός.
06:29
And here's the same child
142
374000
2000
Και αυτό είναι το ίδιο παιδί
06:31
three weeks post-operation,
143
376000
3000
3 βδομάδες μετά την εγχείρηση,
06:34
with the right eye open.
144
379000
3000
με το δεξί μάτι ανοιχτό.
06:40
(Applause)
145
385000
6000
(Χειροκρότημα)
06:46
Thank you.
146
391000
2000
Ευχαριστώ.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Λοιπόν, ακόμη και από αυτό το μικρό κλιπ μπορείτε να καταλάβετε
06:51
that recovery is possible,
148
396000
2000
ότι η ανάρρωση είναι πιθανή,
06:53
and we have now
149
398000
2000
και μέχρι τώρα
06:55
provided treatment to over 200 children,
150
400000
3000
έχουμε θεραπεύσει περισσότερα από 200 παιδιά,
06:58
and the story repeats itself.
151
403000
2000
και η ιστορία επαναλαμβάνεται.
07:00
After treatment, the child
152
405000
2000
Μετά τη θεραπεία, το παιδί
07:02
gains significant functionality.
153
407000
3000
αποκτά σημαντική λειτουργικότητα.
07:05
In fact, the story holds true
154
410000
3000
Κατ ακρίβεια, το γεγονός ισχύει
07:08
even if you have a person who got sight
155
413000
2000
ακόμη κι αν το άτομο απέκτησε όραση
07:10
after several years of deprivation.
156
415000
2000
μετά από αρκετά χρόνια στέρησης.
07:12
We did a paper a few years ago
157
417000
2000
Κάναμε μια μελέτη πριν μερικά χρόνια
07:14
about this woman that you see on the right, SRD,
158
419000
4000
για αυτή τη γυναίκα που βλέπετε στα δεξιά, Εσαρντί,
07:18
and she got her sight late in life,
159
423000
2000
η οποία απόκτησε την όραση της σε μεγάλη ηλικία,
07:20
and her vision is remarkable at this age.
160
425000
4000
και η οποία όραση ήταν αξιόλογη.
07:24
I should add a tragic postscript to this --
161
429000
3000
Πρέπει να προσθέσω μια τραγική σημείωση.
07:27
she died two years ago
162
432000
2000
Απεβίωσε πριν 2 χρόνια
07:29
in a bus accident.
163
434000
2000
σε ένα δυστύχημα με λεωφορείο.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Έτσι, η ιστορία της είναι πραγματικά συγκλονιστική,
07:35
unknown, but inspiring story.
165
440000
3000
άγνωστη, αλλά συγκλονιστική ιστορία.
07:38
So when we started finding these results,
166
443000
2000
Έτσι όταν αρχίσαμε να παίρνουμε αυτά τα αποτελέσματα,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
όπως μπορείτε να φανταστείτε, δημιούργησε αρκετή αναταραχή
07:43
in the scientific and the popular press.
168
448000
3000
στον επιστημονικό και κοινωνικό τύπο.
07:46
Here's an article in Nature
169
451000
2000
Εδώ είναι ένα άρθρο στο περιοδικό Nature
07:48
that profiled this work,
170
453000
2000
που περιγράφει την μελέτη,
07:50
and another one in Time.
171
455000
2000
και ακόμη ένα στο Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Είμασταν αρκετά σίγουροι, είμαστε σίγουροι,
07:54
that recovery is feasible,
173
459000
2000
ότι η ανάρρωση είναι εφικτή
07:56
despite extended visual deprivation.
174
461000
3000
ακόμη και στην περίπτωση εκτεταμένης τύφλωσης.
07:59
The next obvious question to ask:
175
464000
2000
Η επόμενη προφανής ερώτηση να κάνουμε είναι:
08:01
What is the process of recovery?
176
466000
3000
ποια είναι η διαδικασία της ανάρρωσης;
08:04
So, the way we study that is,
177
469000
3000
Και ο τρόπος προσέγγισης για αυτό είναι,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
ας πούμε ότι βρίσκουμε ένα παιδί με ευαισθησία στο φως.
08:09
The child is provided treatment,
179
474000
2000
Στο παιδί παρέχεται θεραπεία,
08:11
and I want to stress that the treatment
180
476000
2000
και θέλω να τονίσω πως η περίθαλψη
08:13
is completely unconditional;
181
478000
2000
είναι εντελώς άνευ όρων.
08:15
there is no quid pro quo.
182
480000
2000
Δεν υπάρχει πάρε δώσε.
08:17
We treat many more children then we actually work with.
183
482000
3000
Φροντίζουμε πολύ περισσότερα παιδιά σε σχέση με εκείνα που δουλεύουμε μαζί τους.
08:20
Every child who needs treatment is treated.
184
485000
3000
Όποιο παιδί χρειάζεται φροντίδα την λαμβάνει.
08:23
After treatment, about every week,
185
488000
2000
Μετά τη θεραπεία, περίπου κάθε βδομάδα,
08:25
we run the child
186
490000
2000
υποβάλλουμε το παιδί
08:27
on a battery of simple visual tests
187
492000
3000
σε ένα καταιγισμό από απλά οπτικά τεστ
08:30
in order to see how their visual skills
188
495000
2000
για να προσδιορίσουμε το πώς οι οπτικές τους ικανότητες
08:32
are coming on line.
189
497000
2000
εξελλίσονται.
08:34
And we try to do this for as long as possible.
190
499000
3000
Και προσπαθούμε να το κάνουμε αυτό για όσο το δυνατό περισσότερο χρόνο.
08:37
This arc of development
191
502000
2000
Αυτή η κιβωτός της ανάπτυξης,
08:39
gives us unprecedented
192
504000
2000
μας δίνει πρωτοφανείς
08:41
and extremely valuable information
193
506000
2000
και εξαιρετικά πολύτιμες πληροφορίες
08:43
about how the scaffolding of vision
194
508000
2000
για το πώς χτίζονται οι βάσεις
08:45
gets set up.
195
510000
2000
της όρασης.
08:47
What might be the causal connections
196
512000
2000
Ποιες μπορεί να είναι οι αιτιώδεις συνδέσεις
08:49
between the early developing skills
197
514000
2000
μεταξύ των αρχικών ικανοτήτων ανάπτυξης
08:51
and the later developing ones?
198
516000
2000
και των μετέπειτα;
08:53
And we've used this general approach to study
199
518000
2000
Υιοθετήσαμε αυτή τη γενική προσέγγιση για τη μελέτη
08:55
many different visual proficiencies,
200
520000
3000
πολλών διαφορετικών οπτικών ιδιοτήτων,
08:58
but I want to highlight one particular one,
201
523000
4000
αλλά θέλω να επισημάνω μια συγκεκριμένη,
09:02
and that is image parsing into objects.
202
527000
3000
την ανάλυση εικόνας σε αντικείμενα.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Έτσι, όποια εικόνα του είδους που βλέπετε στα αριστερά,
09:07
be it a real image or a synthetic image,
204
532000
3000
είτε είναι πραγματική εικόνα είτε παρασκευασμένη,
09:10
it's made up of little regions
205
535000
2000
φτιάχνεται από μικρές περιοχές
09:12
that you see in the middle column,
206
537000
2000
που βλέπετε στη μεσαία στήλη,
09:14
regions of different colors, different luminances.
207
539000
3000
περιοχές διαφορετικών χρωμάτων, διαφορετικών φωτεινοτήτων.
09:17
The brain has this complex task
208
542000
3000
Ο εγκέφαλος έχει αυτή τη πολύπλοκη διεργασία
09:20
of putting together, integrating,
209
545000
3000
του να ενώνει, να ενσωματώνει,
09:23
subsets of these regions
210
548000
2000
υποσύνολα αυτών των περιοχών
09:25
into something that's more meaningful,
211
550000
2000
σε κάτι πιο ουσιώδες,
09:27
into what we would consider to be objects,
212
552000
2000
σε κάτι που μπορούμε να εκλάβουμε ως αντικείμενα,
09:29
as you see on the right.
213
554000
2000
όπως βλέπετε στα δεξιά.
09:31
And nobody knows how this integration happens,
214
556000
2000
Και κανείς δεν γνωρίζει πώς γίνεται αυτή η ενσωμάτωση.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
Αυτό προσπαθούμε να μάθουμε με το Πρόγραμμα Πρακάς.
09:37
So, here's what happens
216
562000
2000
Λοιπόν, ορίστε τι συμβαίνει
09:39
very soon after the onset of sight.
217
564000
3000
πολύ σύντομα μετά την αποκατάσταση της όρασης.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Αυτό είναι ένα άτομο που απόκτησε την όραση του μόλις πριν μερικές βδομάδες,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
και βλέπετε τον Ίθαν Μάγιερς, ένα μεταπτυχιακό μαθητή του ΜΙΤ
09:48
running the experiment with him.
220
573000
3000
να διεξάγει το πείραμα μαζί του.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
Ο οπτικό-κινητικός συντονισμός του είναι ιδιαίτερα φτωχός,
09:55
but you get a general sense
222
580000
2000
αλλά έχετε μια γενική αίσθηση
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
του ποιες περιοχές προσπαθεί να ξεχωρίσει.
10:00
If you show him real world images,
224
585000
2000
Εάν του δείξετε πραγματικές εικόνες,
10:02
if you show others like him real world images,
225
587000
3000
αν δείξετε σε άλλους σαν κι αυτόν πραγματικές εικόνες,
10:05
they are unable to recognize most of the objects
226
590000
2000
αδυνατούν να αναγνωρίσουν τα περισσότερα από τα αντικείμενα
10:07
because the world to them is over-fragmented;
227
592000
3000
επειδή ο κόσμος για αυτούς είναι κατακερματισμένος,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
φτιαγμένος από ένα κολάζ, ένα συνονθύλευμα
10:13
of regions of different colors and luminances.
229
598000
2000
από κομμάτια με διαφορετικά χρώματα και φωτεινότητες.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
Και αυτό είναι που υποδεικνύεται στα πράσινα περιγράμματα.
10:17
When you ask them,
231
602000
2000
Όταν τους ζητήσεις,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
ακόμη κι αν δεν μπορούν να ονομάσουν το αντικείμενο, απλά να δείξουν πού βρίσκεται.
10:22
these are the regions that they point to.
233
607000
2000
Αυτές είναι οι περιοχές που δείχνουν.
10:24
So the world is this complex
234
609000
2000
Έτσι, ο κόσμος είναι αυτό το πολύπλοκο
10:26
patchwork of regions.
235
611000
2000
συνονθύλευμα περιοχών.
10:28
Even the shadow on the ball
236
613000
2000
Ακόμη και οι σκιές στη μπάλα
10:30
becomes its own object.
237
615000
3000
γίνονται ένα ξεχωριστό αντικείμενο.
10:33
Interestingly enough,
238
618000
2000
Το ενδιαφέρον είναι πώς,
10:35
you give them a few months,
239
620000
2000
αν τους δώσεις μερικούς μήνες,
10:37
and this is what happens.
240
622000
3000
συμβαίνει αυτό.
10:43
Doctor: How many are these?
241
628000
2000
Γιατρός: Πόσα είναι αυτά;
10:45
Patient: These are two things.
242
630000
2000
Ασθενής: Αυτά είναι δύο πράγματα.
10:47
Doctor: What are their shapes?
243
632000
2000
Γιατρός: Τι σχήματα έχουν;
10:49
Patient: Their shapes ...
244
634000
2000
Ασθενής: Τα σχήματά τους ...
10:51
This one is a circle,
245
636000
3000
Αυτό είναι κύκλος,
10:54
and this
246
639000
2000
και αυτό
10:56
is a square.
247
641000
2000
είναι τετράγωνο.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
ΥΓ: Έχει συμβεί μια πολύ δραματική αλλαγή.
11:01
And the question is:
249
646000
2000
Και η ερώτηση είναι:
11:03
What underlies this transformation?
250
648000
2000
τι κρύβεται πίσω από αυτή την αλλαγή;
11:05
It's a profound question,
251
650000
2000
Είναι μια βαθιά ερώτηση,
11:07
and what's even more amazing is how simple
252
652000
2000
και αυτό που είναι ακόμη πιο απίστευτο είναι το πόσο απλή
11:09
the answer is.
253
654000
2000
είναι η απάντηση.
11:11
The answer lies in motion
254
656000
2000
Η απάντηση βρίσκεται στη κίνηση
11:13
and that's what I want to show you in the next clip.
255
658000
3000
και αυτό είναι που θέλω να σας δείξω στο επόμενο κλιπ.
11:18
Doctor: What shape do you see here?
256
663000
2000
Γιατρός: Τι σχήμα βλέπεις εδώ;
11:20
Patient: I can't make it out.
257
665000
3000
Ασθενής: Δεν μπορώ να διακρίνω.
11:28
Doctor: Now?
258
673000
2000
Γιατρός: Τώρα;
11:31
Patient: Triangle.
259
676000
2000
Ασθενής: Τρίγωνο.
11:35
Doctor: How many things are these?
260
680000
3000
Γιατρός: Πόσα πράγματα είναι αυτά;
11:48
Now, how many things are these?
261
693000
3000
Τώρα, πόσα πράγματα είναι αυτα;
11:51
Patient: Two.
262
696000
2000
Ασθενής: Δύο.
11:53
Doctor: What are these things?
263
698000
2000
Γιατρός: Τι είναι αυτά τα πράγματα;
11:56
Patient: A square and a circle.
264
701000
2000
Ασθενής: Ένα τετράγωνο και ένας κύκλος.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
ΥΓ: Και παρατηρούμε αυτό το μοτίβο ξανά και ξανά.
12:01
The one thing the visual system needs
266
706000
3000
Το ένα πράγμα που χρειάζεται το οπτικό σύστημα
12:04
in order to begin parsing the world
267
709000
2000
για να ξεκινήσει να επεξεργάζεται τον κόσμο
12:06
is dynamic information.
268
711000
2000
είναι δυναμική πληροφορία.
12:08
So the inference we are deriving from this,
269
713000
2000
Έτσι το συμπέρασμα στο οποίο καταλήγουμε από αυτό
12:10
and several such experiments,
270
715000
2000
και αρκετά άλλα τέτοια πειράματα
12:12
is that dynamic information processing,
271
717000
2000
είναι ότι η επεξεργασία δυναμικής πληροφορίας,
12:14
or motion processing,
272
719000
2000
ή η επεξεργασία κίνησης,
12:16
serves as the bedrock for building
273
721000
2000
εξυπηρετεί ως τις βάσεις για το χτίσιμο
12:18
the rest of the complexity of visual processing;
274
723000
4000
του υπόλοιπου οπτικού επεξεργαστικού συστήματος.
12:22
it leads to visual integration
275
727000
2000
Οδηγεί στην οπτική ενσωμάτωση
12:24
and eventually to recognition.
276
729000
3000
και εν τέλει στην αναγνώριση.
12:27
This simple idea has far reaching implications.
277
732000
3000
Αυτή η απλή ιδέα έχει σημαντικές συνέπειες.
12:30
And let me just quickly mention two,
278
735000
3000
Θα αναφέρω στα γρήγορα δύο.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Η πρώτη, αφορά τον τομέα της μηχανικής,
12:35
and one from the clinic.
280
740000
2000
και η άλλη τον ιατρικό τομέα.
12:37
So, from the perspective of engineering,
281
742000
2000
Έτσι, από την προοπτική της μηχανικής,
12:39
we can ask: Goven that we know
282
744000
3000
μπορούμε να ρωτήσουμε, δεδομένου ότι γνωρίζουμε
12:42
that motion is so important for the human visual system,
283
747000
2000
ότι η κίνηση είναι τόσο σημαντική για το ανθρώπινο οπτικό σύστημα,
12:44
can we use this as a recipe
284
749000
3000
μπορούμε να το χρησιμοποιήσουμε αυτό σαν μια συνταγή
12:47
for constructing machine-based vision systems
285
752000
3000
για τη κατασκευή τεχνητών οπτικών συστημάτων
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
που μπορούν να μάθουν από μόνα τους, που δεν χρειάζονται προγραμματισμό
12:53
by a human programmer?
287
758000
2000
από ένα ανθρώπινο προγραμματιστή.
12:55
And that's what we're trying to do.
288
760000
2000
Και αυτό είναι που προσπαθούμε να επιτύχουμε.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Είμαι στο ΜΙΤ, στο ΜΙΤ πρέπει να εφαρμόσεις
13:00
whatever basic knowledge you gain.
290
765000
2000
οποιαδήποτε βασική γνώση αποκτήσεις.
13:02
So we are creating Dylan,
291
767000
2000
Έτσι δημιουργήσαμε τον Ντύλαν,
13:04
which is a computational system
292
769000
2000
το οποίο είναι ένα υπολογιστικό σύστημα
13:06
with an ambitious goal
293
771000
2000
με ένα φιλόδοξο στόχο
13:08
of taking in visual inputs
294
773000
2000
του να λαμβάνει οπτικές πληροφορίες
13:10
of the same kind that a human child would receive,
295
775000
3000
του ίδιου είδους που λαμβάνει ένα μικρό παιδι,
13:13
and autonomously discovering:
296
778000
2000
και να ανακαλύπτει αυτόνομα
13:15
What are the objects in this visual input?
297
780000
3000
τι είναι τα αντικείμενα σε αυτά τα οπτικά ερεθίσματα.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Μην ανησυχείτε λοιπόν για τα εσωτερικά θέματα του Ντύλαν.
13:21
Here, I'm just going to talk about
299
786000
3000
Εδώ θα αναφερθώ μόνο
13:24
how we test Dylan.
300
789000
2000
για το πώς δοκιμάζουμε τον Ντύλαν.
13:26
The way we test Dylan is by giving it
301
791000
2000
Ο τρόπος με τον οποίο δοκιμάζουμε τον Ντύλαν είναι με το να του εισάγουμε
13:28
inputs, as I said, of the same kind
302
793000
3000
δεδομένα, όπως είπα, του ιδίου είδους
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
που θα λάμβανε ένα μωρό, ή παιδί στο Πρόγραμμα Πρακάς.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Αλλά για αρκετό καιρό δεν μπορούσαμε να βρούμε
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
ένα τρόπο που να μπορούμε να παίρνουμε αυτά τα δεδομένα.
13:41
So, I thought,
306
806000
2000
Έτσι, αναρωτήθηκα,
13:43
could we have Darius
307
808000
2000
αν θα μπορούσαμε να
13:45
serve as our babycam carrier,
308
810000
3000
βάλουμε μια κάμερα στον Ντάριους
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
και με αυτό το τρόπο να παίρνουμε τα δεδομένα που θα εισάγαμε στον Ντύλαν.
13:51
So that's what we did.
310
816000
2000
Και αυτό κάναμε.
13:53
(Laughter)
311
818000
7000
(Γέλιο)
14:00
I had to have long conversations with my wife.
312
825000
3000
Έπρεπε να κάνω μια μεγάλη συζήτηση με τη γυναίκα μου.
14:03
(Laughter)
313
828000
5000
(Γέλιο)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
Κατ ακρίβεια, Πάμ, αν το βλέπεις αυτό,
14:10
please forgive me.
315
835000
2000
παρακαλώ συγχώρεσε με.
14:13
So, we modified the optics of the camera
316
838000
4000
Έτσι, προσαρμόσαμε τα οπτικά της κάμερας
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
για να μπορεί να μιμείται την οπτική οξύτητα του μωρού.
14:20
As some of you might know,
318
845000
2000
Όπως μερικοί από εσάς γνωρίζετε,
14:22
babyies are born pretty much legally blind.
319
847000
4000
τα παιδιά γεννιόνται σχεδόν τυφλά.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
Η οξύτητα -- η δικιά μας είναι 20/20 --
14:29
babies' acuity is like 20/800,
321
854000
3000
των μωρών είναι περίπου 20/800,
14:32
so they are looking at the world
322
857000
2000
έτσι κοιτάνε τον κόσμο
14:34
in a very, very blurry fashion.
323
859000
3000
πάρα πολύ θολά.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Ορίστε πώς φαίνεται ένα βίντεο από τη κάμερα του μωρού.
14:41
(Laughter)
325
866000
9000
(Γέλιο)
14:50
(Applause)
326
875000
3000
(Χειροκρότημα)
14:53
Thankfully, there isn't any audio
327
878000
2000
Ευτυχώς, δεν υπάρχει ήχος
14:55
to go with this.
328
880000
3000
για το βίντεο.
14:58
What's amazing is that working with such
329
883000
2000
Αυτό που είναι απίστευτο, είναι πως δουλεύοντας με τόσο
15:00
highly degraded input,
330
885000
2000
υποβαθμισμένη ποιότητα όρασης,
15:02
the baby, very quickly, is able
331
887000
2000
το μωρό, πολύ γρήγορα, είναι ικανό
15:04
to discover meaning in such input.
332
889000
3000
να ανακαλύπτει νόημα σε αυτή τη πληροφορία.
15:07
But then two or three days afterward,
333
892000
2000
Αλλά 2 3 μέρες αργότερα,
15:09
babies begin to pay attention
334
894000
2000
τα μωρά αρχίζουν να δίνουν προσοχή
15:11
to their mother's or their father's face.
335
896000
2000
στα πρόσωπα των γονιών τους.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Πώς συμβαίνει αυτό; Χρειαζόμαστε τον Ντύλαν για να το μάθουμε.
15:16
and using this mantra of motion,
337
901000
3000
Και χρησιμοποιώντας αυτή τη μάντρα της κίνησης,
15:19
Dylan actually can do that.
338
904000
2000
ο Ντύλαν μπορεί όντως να το κάνει αυτο,
15:21
So, given that kind of video input,
339
906000
3000
έστω και με αυτού του είδους βίντεο,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
που είναι διάρκειας μόνο 6 7 λεπτών,
15:27
Dylan can begin to extract patterns
341
912000
3000
ο Ντύλαν μπορεί να ξεκινήσει να εξάγει μοτίβα
15:30
that include faces.
342
915000
3000
που περιλαμβάνουν πρόσωπα.
15:33
So, it's an important demonstration
343
918000
2000
Είναι λοιπόν μια σημαντική παρουσίαση
15:35
of the power of motion.
344
920000
2000
της σημασίας της κίνησης.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
Η κλινική επιπλοκή, πηγάζει από το πεδίο του αυτισμού.
15:40
Visual integration has been associated with autism
346
925000
2000
Η οπτική λειτουργία έχει συσχετιστεί με τον αυτισμό
15:42
by several researchers.
347
927000
2000
απο αρκετούς ερευνητές.
15:44
When we saw that, we asked:
348
929000
2000
Όταν το είδαμε αυτό, ρωτήσαμε:
15:46
Could the impairment in visual integration
349
931000
3000
Μήπως οι ανεπάρκεια στην οπτική λειτουργεία
15:49
be the manifestation of something underneath,
350
934000
3000
να προκαλείται απο την εκδήλωση κάποιου υποβόσκων προβλήματος
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
ανεπάρκειας της επεξεργασίας δυναμικής πληροφορίας στον αυτισμό.
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Επειδή, εάν ισχύει αυτή η υπόθεση,
15:58
it would have massive repercussions in our understanding
353
943000
3000
θα έχει τεράστιες επιπτώσεις στην αντίληψη
16:01
of what's causing the many different aspects
354
946000
2000
του τι προκαλεί τις πολλές διαφορετικές πτυχές
16:03
of the autism phenotype.
355
948000
3000
του φαινοτύπου του αυτισμού.
16:06
What you're going to see are
356
951000
2000
Αυτό που θα δείτε είναι
16:08
video clips of two children -- one neurotypical,
357
953000
3000
βίντεο 2 παιδιών, ένα νευροτυπικό,
16:11
one with autism, playing Pong.
358
956000
2000
και ένα με αυτισμό, να παίζουν Πονγκ.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Έτσι, ενώ τα παιδιά παίζουν, παρακολουθούμε που κοιτάνε.
16:16
In red are the eye movement traces.
360
961000
3000
Με κόκκινο, είναι τα ίχνη των κινήσεων του ματιού,
16:19
This is the neurotypical child, and what you see
361
964000
3000
αυτό είναι το νευροτυπικό παιδί, και αυτό που βλέπετε
16:22
is that the child is able to make cues
362
967000
2000
είναι ότι το παιδί μπορεί να ερμηνεύσει
16:24
of the dynamic information
363
969000
2000
τη δυναμική πληροφορία
16:26
to predict where the ball is going to go.
364
971000
2000
και να προβλέψει που θα πάει η μπάλα.
16:28
Even before the ball gets to a place,
365
973000
3000
Προτού ακόμα πάει η μπάλα σε ένα μέρος,
16:31
the child is already looking there.
366
976000
3000
το παιδί ήδη κοιτάει εκεί.
16:34
Contrast this with a child
367
979000
2000
Συγκρίνετε το με ένα αυτιστικό
16:36
with autism playing the same game.
368
981000
2000
παιδί που παίζει το ίδιο παιχνίδι.
16:38
Instead of anticipating,
369
983000
2000
Αντί να προβλέπει,
16:40
the child always follows where the ball has been.
370
985000
3000
το παιδί πάντα ακολουθεί το πού έχει πάει η μπάλα.
16:43
The efficiency of the use
371
988000
2000
Η αποτελεσματικότητα της χρήσης
16:45
of dynamic information
372
990000
2000
των δυναμικών πληροφοριών
16:47
seems to be significantly compromised in autism.
373
992000
3000
δείχνει να είναι σημαντικά μειωμένη στον αυτισμό.
16:51
So we are pursuing this line of work
374
996000
3000
Έτσι ακολουθάμε αυτού του είδους δουλειάς
16:54
and hopefully we'll have
375
999000
2000
και ευελπιστούμε να έχουμε
16:56
more results to report soon.
376
1001000
2000
περισσότερα αποτελέσματα σύντομα.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
Κοιτώντας μπροστά, αν σκεφτείτε αυτό το δίσκο
17:01
as representing all of the children
378
1006000
2000
ως αντιπροσωπευτικό για όλα τα παιδιά
17:03
we've treated so far,
379
1008000
2000
που έχουμε περιθάλψει μέχρι τώρα,
17:05
this is the magnitude of the problem.
380
1010000
2000
αυτό είναι το μέγεθος του προβλήματος.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Οι κόκκινες τελείες είναι τα παιδιά που δεν έχουμε θεραπεύσει.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Οπότε, υπάρχουν πολλά, πάρα πολλά παιδιά που χρειάζονται θεραπεία,
17:12
and in order to expand the scope of the project,
383
1017000
3000
και με σκοπό να αυξήσουμε το εύρος του προγράμματος,
17:15
we are planning on launching
384
1020000
2000
σχεδιάσουμε να εγκαινιάσουμε
17:17
The Prakash Center for Children,
385
1022000
2000
το Κέντρο Πρακάς για Παιδιά.
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
που θα έχει εξειδικευμένο παιδιατρικό νοσοκομείο,
17:22
a school for the children we are treating
387
1027000
2000
ένα σχολείο για τα παιδιά που φροντίζουμε,
17:24
and also a cutting-edge research facility.
388
1029000
2000
και επίσης ένα υπέρ-σύγχρονο ερευνητικό κέντρο
17:26
The Prakash Center will integrate health care,
389
1031000
3000
Το κέντρο Πρακάς θα συνδυάζει υγειονομική περίθαλψη,
17:29
education and research in a way
390
1034000
2000
εκπαίδευση και ερευνά με τέτοιο τρόπο
17:31
that truly creates the whole
391
1036000
2000
ώστε το σύνολο που δημιουργείται
17:33
to be greater than the sum of the parts.
392
1038000
3000
να είναι μεγαλύτερο από το άθροισμα των μερών που το απαρτίζουν
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Έτσι, συνοψίζοντας, το Πρακάς, στα 5 χρόνια της λειτουργίας του,
17:39
it's had an impact in multiple areas,
394
1044000
3000
είχε αντίκτυπο σε διάφορους τομείς,
17:42
ranging from basic neuroscience
395
1047000
2000
από τη βασική νευροεπιστήμη
17:44
plasticity and learning in the brain,
396
1049000
2000
πλαστικότητα και εκμάθηση του εγκεφάλου,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
μέχρι κλινικά σημαντικές υποθέσεις όπως στον αυτισμό,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
την ανάπτυξη αυτόνομων μηχανικών οπτικών συστημάτων,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
εκπαίδευση προπτυχιακών και μεταπτυχιακών φοιτητών,
17:56
and most importantly in the alleviation
400
1061000
2000
και κυρίως στην αντιμετώπιση
17:58
of childhood blindness.
401
1063000
2000
της παιδικής τύφλωσης
18:00
And for my students and I, it's been
402
1065000
2000
Και για τους μαθητές μου όπως και για μένα, υπήρξε
18:02
just a phenomenal experience
403
1067000
2000
μια θαυμάσια εμπειρία
18:04
because we have gotten to do interesting research,
404
1069000
4000
επειδή είχαμε την ευκαιρία να κάνουμε ενδιαφέρουσα έρευνα,
18:08
while at the same time
405
1073000
2000
και ταυτόχρονα
18:10
helping the many children that we have worked with.
406
1075000
2000
να βοηθήσουμε πολλά παιδιά που δουλέψαμε μαζί τους.
18:12
Thank you very much.
407
1077000
2000
Ευχαριστώ πάρα πολύ.
18:14
(Applause)
408
1079000
2000
(Χειροκρότημα)
ABOUT THE SPEAKER
Pawan Sinha - Visual neuroscientistPawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight.
Why you should listen
At Pawan Sinha's MIT lab, he and his team spend their days trying to understand how the brain learns to recognize and use the patterns and scenes we see around us. To do this, they often use computers to model the processes of the human brain, but they also study human subjects, some of whom are seeing the world for the very first time and can tell them about the experience as it happens. They find these unusual subjects through the humanitarian branch of their research, Project Prakash.
Project Prakash sets up eye-care camps in some of the most habitually underserved regions of India, and gives free eye-health screenings to, since 2003, more than 700 functionally blind children. The children are then treated without charge, even if they do not fit the profile that would make them eligible for Sinha's research.
Sinha's eventual goal is to help 500 children each year; plans are under way for a center for visual rehabilitation in new Delhi. The special relationship that Sinha has created between research and humanitarianism promises to deliver on both fronts.
Pawan Sinha | Speaker | TED.com