ABOUT THE SPEAKER
Sebastian Seung - Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain.

Why you should listen

In the brain, neurons are connected into a complex network. Sebastian Seung and his lab at MIT are inventing technologies for identifying and describing the connectome, the totality of connections between the brain's neurons -- think of it as the wiring diagram of the brain. We possess our entire genome at birth, but things like memories are not "stored" in the genome; they are acquired through life and accumulated in the brain. Seung's hypothesis is that "we are our connectome," that the connections among neurons is where memories and experiences get stored.

Seung and his collaborators, including Winfried Denk at the Max Planck Institute and Jeff Lichtman at Harvard University, are working on a plan to thin-slice a brain (probably starting with a mouse brain) and trace, from slice to slice, each neural pathway, exposing the wiring diagram of the brain and creating a powerful new way to visualize the workings of the mind. They're not the first to attempt something like this -- Sydney Brenner won a Nobel for mapping all the 7,000 connections in the nervous system of a tiny worm, C. elegans. But that took his team a dozen years, and the worm only had 302 nerve cells. One of Seung's breakthroughs is in using advanced imagining and AI to handle the crushing amount of data that a mouse brain will yield and turn it into richly visual maps that show the passageways of thought and sensation.

More profile about the speaker
Sebastian Seung | Speaker | TED.com
TEDGlobal 2010

Sebastian Seung: I am my connectome

Σεμπάστιαν Σέουνγκ: Είμαι το δικτύωμά μου

Filmed:
1,131,223 views

Ο Σεμπάστιαν Σέουνγκ χαρτογραφεί ένα εξαιρετικά φιλόδοξο μοντέλο του εγκεφάλου το οποίο επικεντρώνεται στις συνδέσεις μεταξύ των νευρώνων. Το αποκαλεί το «δικτύωμά» μας, και είναι τόσο ατομικό όσο και το γονιδίωμά μας -- Η κατανόηση του μπορεί να ανοίξει νέους ορίζοντες για την κατανόηση του εγκεφάλου και του νου.
- Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain. Full bio

Double-click the English transcript below to play the video.

00:17
We liveζω in in a remarkableαξιοσημείωτος time,
0
2000
3000
Ζούμε σε μία αξιοσημείωτη εποχή,
00:20
the ageηλικία of genomicsγονιδιωματική.
1
5000
3000
την εποχή του γονιδιώματος.
00:23
Your genomeγονιδίωμα is the entireολόκληρος sequenceαλληλουχία of your DNADNA.
2
8000
3000
Το γονιδίωμά σας είναι ολόκληρη η DNA ακολουθία σας.
00:26
Your sequenceαλληλουχία and mineδικος μου are slightlyελαφρώς differentδιαφορετικός.
3
11000
3000
Η ακολουθία σας είναι λίγο διαφορετική από τη δικιά μου.
00:29
That's why we look differentδιαφορετικός.
4
14000
2000
Γι' αυτό φαινόμαστε διαφορετικοί.
00:31
I've got brownκαφέ eyesμάτια;
5
16000
2000
Εγώ έχω καστανά μάτια∙
00:33
you mightθα μπορούσε have blueμπλε or grayγκρί.
6
18000
3000
εσείς μπορεί να έχετε μπλε ή γκρίζα.
00:36
But it's not just skin-deepεπιδερμική.
7
21000
2000
Αλλά δεν είναι μόνο εμφανισιακό.
00:38
The headlinesπρωτοσέλιδα tell us
8
23000
2000
Τα πρωτοσέλιδα λένε
00:40
that genesγονίδια can give us scaryτρομακτικός diseasesασθένειες,
9
25000
3000
ότι τα γονίδια μπορούν να μας δίνουν τρομακτικές ασθένειες,
00:43
maybe even shapeσχήμα our personalityπροσωπικότητα,
10
28000
3000
ίσως και να διαμορφώνουν την προσωπικότητά μας,
00:46
or give us mentalδιανοητικός disordersδιαταραχές.
11
31000
3000
ή να προκαλούν ψυχικές διαταραχές.
00:49
Our genesγονίδια seemφαίνομαι to have
12
34000
3000
Φαίνεται ότι τα γονίδιά μας έχουν
00:52
awesomeφοβερός powerεξουσία over our destiniesτα πεπρωμένα.
13
37000
3000
φοβερή επιρροή στο πεπρωμένο μας.
00:56
And yetΑκόμη, I would like to think
14
41000
3000
Και όμως, θα ήθελα να πιστεύω
00:59
that I am more than my genesγονίδια.
15
44000
3000
ότι είμαι κάτι περισσότερο από τα γονίδιά μου.
01:04
What do you guys think?
16
49000
2000
Εσείς τι νομίζετε;
01:06
Are you more than your genesγονίδια?
17
51000
3000
Είστε κάτι περισσότερο από τα γονίδιά σας;
01:09
(AudienceΤο κοινό: Yes.) Yes?
18
54000
2000
(Ακροατήριο: Ναι)
Ναι;
01:13
I think some people agreeσυμφωνώ with me.
19
58000
2000
Νομίζω ότι μερικοί συμφωνούν μαζί μου.
01:15
I think we should make a statementδήλωση.
20
60000
2000
Νομίζω ότι πρέπει να κάνουμε μία δήλωση.
01:17
I think we should say it all togetherμαζί.
21
62000
2000
Νομίζω ότι πρέπει να το πούμε όλοι μαζί.
01:20
All right: "I'm more than my genesγονίδια" -- all togetherμαζί.
22
65000
3000
Εντάξει: «Είμαι κάτι περισσότερο από τα γονίδιά μου» -- όλοι μαζί.
01:23
EverybodyΟ καθένας: I am more than my genesγονίδια.
23
68000
4000
Όλοι: Είμαι κάτι περισσότερο από τα γονίδιά μου.
01:27
(CheeringΕπευφημίες)
24
72000
2000
(Επευφημίες)
01:30
SebastianΣεμπάστιαν SeungSeung: What am I?
25
75000
2000
Σεμπάστιαν Σέουνγκ:Τι είμαι;
01:32
(LaughterΤο γέλιο)
26
77000
3000
(Γέλια)
01:35
I am my connectomeconnectome.
27
80000
3000
Είμαι το δικτύωμά μου.
01:40
Now, sinceΑπό you guys are really great,
28
85000
2000
Τώρα, μιας και είστε τόσο καλοί,
01:42
maybe you can humorχιούμορ me and say this all togetherμαζί too.
29
87000
2000
δείξτε λίγη υπομονή ακόμα και ας το πούμε και αυτό όλοι μαζί.
01:44
(LaughterΤο γέλιο)
30
89000
2000
(Γέλια)
01:46
Right. All togetherμαζί now.
31
91000
2000
Εντάξει. Όλοι μαζί τώρα.
01:48
EverybodyΟ καθένας: I am my connectomeconnectome.
32
93000
3000
Όλοι: Είμαι το δικτύωμά μου.
01:53
SSSS: That soundedακούγεται great.
33
98000
2000
Σ.Σ: Αυτό ακούστηκε υπέροχο.
01:55
You know, you guys are so great, you don't even know what a connectomeconnectome is,
34
100000
2000
Τελικά είστε υπέροχοι, ούτε καν γνωρίζετε τι είναι το δικτύωμα,
01:57
and you're willingπρόθυμος to playπαίζω alongκατά μήκος with me.
35
102000
2000
και όμως είστε πρόθυμοι να με υπακούσετε.
01:59
I could just go home now.
36
104000
3000
Τώρα μπορώ απλά να πάω σπίτι.
02:02
Well, so farμακριά only one connectomeconnectome is knownγνωστός,
37
107000
3000
Μέχρι τώρα μόνο ένα δικτύωμα είναι γνωστό,
02:05
that of this tinyμικροσκοπικός wormσκουλήκι.
38
110000
3000
το δικτύωμα αυτού του μικροσκοπικού σκουληκιού.
02:08
Its modestμετριόφρων nervousνευρικός systemΣύστημα
39
113000
2000
Το απλό νευρικό του σύστημα
02:10
consistsαποτελείται of just 300 neuronsνευρώνες.
40
115000
2000
αποτελείται από 300 μόνο νευρώνες.
02:12
And in the 1970s and '80s,
41
117000
2000
Κατά τις δεκαετίες του 1970 και 1980,
02:14
a teamομάδα of scientistsΕπιστήμονες
42
119000
2000
μία ομάδα επιστημόνων
02:16
mappedαντιστοίχιση all 7,000 connectionsσυνδέσεις
43
121000
2000
χαρτογράφησε και τις 7.000 συνδέσεις
02:18
betweenμεταξύ the neuronsνευρώνες.
44
123000
2000
μεταξύ των νευρώνων.
02:21
In this diagramδιάγραμμα, everyκάθε nodeκόμβος is a neuronνευρώνας,
45
126000
2000
Σε αυτό το διάγραμμα, κάθε κόμβος είναι ένας νευρώνας,
02:23
and everyκάθε lineγραμμή is a connectionσύνδεση.
46
128000
2000
και κάθε γραμμή αντιπροσωπεύει μία σύνδεση.
02:25
This is the connectomeconnectome
47
130000
2000
Αυτό είναι το δικτύωμα
02:27
of the wormσκουλήκι C. eleganselegans.
48
132000
4000
του σκουληκιού C.elegans.
02:31
Your connectomeconnectome is farμακριά more complexσυγκρότημα than this
49
136000
3000
Το δικτύωμά σας είναι πολύ πιο πολύπλοκο από αυτό
02:34
because your brainεγκέφαλος
50
139000
2000
επειδή ο εγκέφαλός σας
02:36
containsπεριέχει 100 billionδισεκατομμύριο neuronsνευρώνες
51
141000
2000
περιλαμβάνει 100 δισεκατομμύρια νευρώνες
02:38
and 10,000 timesφορές as manyΠολλά connectionsσυνδέσεις.
52
143000
3000
και 10.000 φορές πιο πολλές συνδέσεις.
02:41
There's a diagramδιάγραμμα like this for your brainεγκέφαλος,
53
146000
2000
Υπάρχει ένα παρόμοιο διάγραμμα για τον εγκέφαλό σας,
02:43
but there's no way it would fitκατάλληλος on this slideολίσθηση.
54
148000
3000
αλλά δεν χωράει σε αυτήν την διαφάνεια.
02:47
Your connectomeconnectome containsπεριέχει one millionεκατομμύριο timesφορές more connectionsσυνδέσεις
55
152000
3000
Το δικτύωμά σας περιλαμβάνει ένα εκατομμύριο φορές περισσότερες συνδέσεις
02:50
than your genomeγονιδίωμα has lettersγράμματα.
56
155000
3000
από όσα είναι τα γράμματα του γονιδιώματός σας.
02:53
That's a lot of informationπληροφορίες.
57
158000
2000
Αυτός είναι μεγάλος όγκος πληροφορίας.
02:55
What's in that informationπληροφορίες?
58
160000
3000
Τι περιλαμβάνει αυτή η πληροφορία;
02:59
We don't know for sure, but there are theoriesθεωρίες.
59
164000
3000
Δεν ξέρουμε στα σίγουρα, αν και υπάρχουν θεωρίες.
03:02
SinceΑπό το the 19thth centuryαιώνας, neuroscientistsνευροεπιστήμονες have speculatedπιθανολογείται
60
167000
3000
Από τον 19ο αιώνα και μετά, οι νευροεπιστήμονες υπέθεταν
03:05
that maybe your memoriesαναμνήσεις --
61
170000
2000
ότι ίσως οι αναμνήσεις σας
03:07
the informationπληροφορίες that makesκάνει you, you --
62
172000
2000
--οι πληροφορίες που προσδιορίζουν τον εαυτό σας--
03:09
maybe your memoriesαναμνήσεις are storedαποθηκεύονται
63
174000
2000
ίσως οι αναμνήσεις σας να είναι αποθηκευμένες
03:11
in the connectionsσυνδέσεις betweenμεταξύ your brain'sτου εγκεφάλου neuronsνευρώνες.
64
176000
2000
στις συνδέσεις μεταξύ των εγκεφαλικών νευρώνων.
03:15
And perhapsίσως other aspectsπτυχές of your personalπροσωπικός identityΤαυτότητα --
65
180000
2000
Και πιθανώς άλλες πλευρές της προσωπικής σας ταυτότητας
03:17
maybe your personalityπροσωπικότητα and your intellectνόηση --
66
182000
3000
--όπως ο χαρακτήρας και η νοημοσύνη σας--
03:20
maybe they're alsoεπίσης encodedκωδικοποιημένα
67
185000
2000
να είναι και αυτές κωδικοποιημένες
03:22
in the connectionsσυνδέσεις betweenμεταξύ your neuronsνευρώνες.
68
187000
3000
στις συνδέσεις μεταξύ των νευρώνων σας.
03:26
And so now you can see why I proposedπροτείνεται this hypothesisυπόθεση:
69
191000
3000
Τώρα μπορείτε να καταλάβετε γιατί πρότεινα αυτή τη θεωρία:
03:29
I am my connectomeconnectome.
70
194000
3000
Είμαι το δικτύωμά μου.
03:32
I didn't askπαρακαλώ you to chantάσμα it because it's trueαληθής;
71
197000
3000
Δεν σας ζήτησα να το επαναλάβετε επειδή είναι αλήθεια·
03:35
I just want you to rememberθυμάμαι it.
72
200000
2000
Απλά θέλω να το θυμάστε.
03:37
And in factγεγονός, we don't know if this hypothesisυπόθεση is correctσωστός,
73
202000
2000
Για την ακρίβεια, δεν ξέρουμε εάν αυτή η θεωρία είναι σωστή,
03:39
because we have never had technologiesτεχνολογίες
74
204000
2000
επειδή η τεχνολογία δεν ήταν ποτέ
03:41
powerfulισχυρός enoughαρκετά to testδοκιμή it.
75
206000
2000
αρκετά ισχυρή, ώστε να εξετάσει αυτό το θέμα.
03:44
FindingΕύρεση that wormσκουλήκι connectomeconnectome
76
209000
3000
Η ανακάλυψη του δικτυώματος του σκουληκιού
03:47
tookπήρε over a dozenντουζίνα yearsχρόνια of tediousανιαρός laborεργασία.
77
212000
3000
πήρε πάνω από 12 χρόνια σκληρής δουλειάς.
03:50
And to find the connectomesconnectomes of brainsμυαλά more like our ownτα δικά,
78
215000
3000
Για την ανακάλυψη των δικτυωμάτων των ανθρώπινων εγκεφάλων,
03:53
we need more sophisticatedεκλεπτυσμένο technologiesτεχνολογίες, that are automatedαυτοματοποιημένη,
79
218000
3000
χρειαζόμαστε πιο εξελιγμένες τεχνολογίες, αυτοματοποιημένες,
03:56
that will speedΤαχύτητα up the processεπεξεργάζομαι, διαδικασία of findingεύρεση connectomesconnectomes.
80
221000
3000
οι οποίες θα επιταχύνουν την ανακάλυψη δικτυωμάτων.
03:59
And in the nextεπόμενος fewλίγοι minutesλεπτά, I'll tell you about some of these technologiesτεχνολογίες,
81
224000
3000
Στα επόμενα λεπτά θα σας πω για μερικές από αυτές τις τεχνολογίες,
04:02
whichοι οποίες are currentlyεπί του παρόντος underκάτω από developmentανάπτυξη
82
227000
2000
οι οποίες βρίσκονται υπό εξέλιξη
04:04
in my labεργαστήριο and the labsεργαστήρια of my collaboratorsσυνεργάτες.
83
229000
3000
στο εργαστήριο μου και σε αυτά των συνεργατών μου.
04:08
Now you've probablyπιθανώς seenείδα picturesεικόνες of neuronsνευρώνες before.
84
233000
3000
Μάλλον θα έχετε δει εικόνες από νευρώνες.
04:11
You can recognizeαναγνωρίζω them instantlyστη στιγμή
85
236000
2000
Μπορείτε να τους αναγνωρίσετε άμεσα
04:13
by theirδικα τους fantasticφανταστικός shapesσχήματα.
86
238000
3000
από τα φανταστικά τους σχήματα.
04:16
They extendεπεκτείνω long and delicateλεπτός branchesυποκαταστήματα,
87
241000
3000
Έχουν μακριές και λεπτές διακλαδώσεις,
04:19
and in shortμικρός, they look like treesδέντρα.
88
244000
3000
εν ολίγοις, μοιάζουν με δέντρα.
04:22
But this is just a singleμονόκλινο neuronνευρώνας.
89
247000
3000
Αλλά αυτός είναι ένας μόνο νευρώνας.
04:25
In orderΣειρά to find connectomesconnectomes,
90
250000
2000
Για να βρει κάποιος δικτυώματα,
04:27
we have to see all the neuronsνευρώνες at the sameίδιο time.
91
252000
3000
πρέπει να δει όλους τους νευρώνες ταυτόχρονα.
04:30
So let's meetσυναντώ BobbyΜπόμπι KasthuriKasthuri,
92
255000
2000
Αυτός είναι ο Μπόμπυ Κασθούρι,
04:32
who worksεργοστάσιο in the laboratoryεργαστήριο of JeffJeff LichtmanLichtman
93
257000
2000
ο οποίος δουλεύει στο εργαστήριο του Τζεφ Λίχτμαν
04:34
at HarvardΧάρβαρντ UniversityΠανεπιστήμιο.
94
259000
2000
στο πανεπιστήμιο του Χάρβαρντ.
04:36
BobbyΜπόμπι is holdingκράτημα fantasticallyφανταστικά thinλεπτός slicesφέτες
95
261000
2000
Ο Μπόμπυ κρατάει απίστευτα λεπτά κομμάτια
04:38
of a mouseποντίκι brainεγκέφαλος.
96
263000
2000
από έναν εγκέφαλο ποντικιού.
04:40
And we're zoomingμεγέθυνση in by a factorπαράγοντας of 100,000 timesφορές
97
265000
3000
Κάνουμε ζουμ κατά 100.000 φορές
04:44
to obtainαποκτώ the resolutionανάλυση,
98
269000
2000
για να έχουμε ανάλυση,
04:46
so that we can see the branchesυποκαταστήματα of neuronsνευρώνες all at the sameίδιο time.
99
271000
3000
με την οποία μπορούμε να δούμε ταυτόχρονα όλα τα τμήματα των νευρώνων.
04:50
ExceptΕκτός από, you still mayενδέχεται not really recognizeαναγνωρίζω them,
100
275000
3000
Ίσως να μην διακρίνετε εύκολα τα τμήματα των νευρώνων,
04:53
and that's because we have to work in threeτρία dimensionsδιαστάσεις.
101
278000
3000
γιατί απαιτούνται τρεις διαστάσεις.
04:56
If we take manyΠολλά imagesεικόνες of manyΠολλά slicesφέτες of the brainεγκέφαλος
102
281000
2000
Εάν πάρουμε πολλές εικόνες από πολλά εγκεφαλικά κομμάτια
04:58
and stackσωρός them up,
103
283000
2000
και τις στοιβάξουμε,
05:00
we get a three-dimensionalτρισδιάστατο imageεικόνα.
104
285000
2000
θα πάρουμε μία τρισδιάστατη εικόνα.
05:02
And still, you mayενδέχεται not see the branchesυποκαταστήματα.
105
287000
2000
Αλλά ακόμα και τώρα, ίσως να μην διακρίνετε τις διακλαδώσεις.
05:04
So we startαρχή at the topμπλουζα,
106
289000
2000
Έτσι ξεκινάμε από την κορυφή,
05:06
and we colorχρώμα in the cross-sectionδιατομή of one branchκλαδί in redτο κόκκινο,
107
291000
3000
και χρωματίζουμε την τομή μιας διακλάδωσης με κόκκινο χρώμα,
05:09
and we do that for the nextεπόμενος sliceφέτα
108
294000
2000
ομοίως για το επόμενο κομμάτι
05:11
and for the nextεπόμενος sliceφέτα.
109
296000
2000
και το μεθεπόμενο.
05:13
And we keep on doing that,
110
298000
2000
Το επαναλαμβάνουμε αυτό,
05:15
sliceφέτα after sliceφέτα.
111
300000
3000
κομμάτι-κομμάτι.
05:18
If we continueνα συνεχίσει throughδιά μέσου the entireολόκληρος stackσωρός,
112
303000
2000
Εάν το κάνουμε αυτό για όλη τη στοίβα,
05:20
we can reconstructανακατασκευάσει the three-dimensionalτρισδιάστατο shapeσχήμα
113
305000
3000
μπορούμε να αναπαραστήσουμε το τρισδιάστατο σχήμα
05:23
of a smallμικρό fragmentθραύσμα of a branchκλαδί of a neuronνευρώνας.
114
308000
3000
ενός τμήματος μιας διακλάδωσης ενός νευρώνα.
05:26
And we can do that for anotherαλλο neuronνευρώνας in greenπράσινος.
115
311000
2000
Μπορούμε να το κάνουμε αυτό και για έναν άλλο νευρώνα με πράσινο χρώμα.
05:28
And you can see that the greenπράσινος neuronνευρώνας touchesαγγίζει the redτο κόκκινο neuronνευρώνας
116
313000
2000
Βλέπετε ότι ο πράσινος νευρώνας ακουμπάει τον κόκκινο
05:30
at two locationsτοποθεσίες,
117
315000
2000
σε δύο σημεία,
05:32
and these are what are calledπου ονομάζεται synapsesσυνάψεις.
118
317000
2000
τα οποία ονομάζονται συνάψεις.
05:34
Let's zoomανίπταμαι διαγωνίως in on one synapseσυνάψεων,
119
319000
2000
Ας κάνουμε ζουμ σε μία σύναψη,
05:36
and keep your eyesμάτια on the interiorεσωτερικό of the greenπράσινος neuronνευρώνας.
120
321000
3000
κρατήστε το βλέμμα σας στο εσωτερικό του πράσινου νευρώνα.
05:39
You should see smallμικρό circlesκύκλους --
121
324000
2000
Θα πρέπει να βλέπετε μικρούς κύκλους--
05:41
these are calledπου ονομάζεται vesiclesκυστίδια.
122
326000
3000
οι οποίοι λέγονται κυστίδια.
05:44
They containπεριέχω a moleculeμόριο know as a neurotransmitterνευροδιαβιβαστής.
123
329000
3000
Περιέχουν ένα μόριο το οποίο είναι γνωστό ως νευροδιαβιβαστής.
05:47
And so when the greenπράσινος neuronνευρώνας wants to communicateεπικοινωνώ,
124
332000
2000
Όταν ο πράσινος νευρώνας θέλει να επικοινωνήσει,
05:49
it wants to sendστείλετε a messageμήνυμα to the redτο κόκκινο neuronνευρώνας,
125
334000
2000
όταν θέλει να στείλει ένα μήνυμα στον κόκκινο νευρώνα,
05:51
it spitsσούβλες out neurotransmitterνευροδιαβιβαστής.
126
336000
3000
απελευθερώνει τον νευροδιαβιβαστή.
05:54
At the synapseσυνάψεων, the two neuronsνευρώνες
127
339000
2000
Στην σύναψη οι δύο νευρώνες
05:56
are said to be connectedσυνδεδεμένος
128
341000
2000
λέγεται ότι είναι συνδεδεμένοι,
05:58
like two friendsοι φιλοι talkingομιλία on the telephoneτηλέφωνο.
129
343000
3000
σαν δύο φίλοι που μιλάνε στο τηλέφωνο.
06:02
So you see how to find a synapseσυνάψεων.
130
347000
2000
Είδατε λοιπών πώς μπορούμε να βρούμε μία σύναψη.
06:04
How can we find an entireολόκληρος connectomeconnectome?
131
349000
3000
Πώς μπορούμε να βρούμε ένα ολόκληρο δικτύωμα;
06:07
Well, we take this three-dimensionalτρισδιάστατο stackσωρός of imagesεικόνες
132
352000
3000
Χειριζόμαστε αυτήν την τρισδιάστατη στοίβα από εικόνες
06:10
and treatκέρασμα it as a giganticγιγάντιο three-dimensionalτρισδιάστατο coloringχρωματισμός bookΒιβλίο.
133
355000
3000
σαν ένα τεράστιο τρισδιάστατο βιβλίο ζωγραφικής.
06:13
We colorχρώμα everyκάθε neuronνευρώνας in, in a differentδιαφορετικός colorχρώμα,
134
358000
3000
Ζωγραφίζουμε κάθε νευρώνα με διαφορετικό χρώμα,
06:16
and then we look throughδιά μέσου all of the imagesεικόνες,
135
361000
2000
και μετά κοιτάμε όλες τις εικόνες,
06:18
find the synapsesσυνάψεις
136
363000
2000
βρίσκουμε τις συνάψεις
06:20
and noteΣημείωση the colorsχρωματιστά of the two neuronsνευρώνες involvedεμπλεγμένος in eachκαθε synapseσυνάψεων.
137
365000
3000
και σημειώνουμε το χρώμα των δύο νευρώνων σε κάθε σύναψη.
06:23
If we can do that throughoutκαθόλη τη διάρκεια all the imagesεικόνες,
138
368000
3000
Εάν μπορούμε να το κάνουμε αυτό για όλες τις εικόνες,
06:26
we could find a connectomeconnectome.
139
371000
2000
θα μπορούσαμε να βρούμε ένα δικτύωμα.
06:29
Now, at this pointσημείο,
140
374000
2000
Μέχρι τώρα,
06:31
you've learnedέμαθα the basicsβασικά στοιχεία of neuronsνευρώνες and synapsesσυνάψεις.
141
376000
2000
έχετε μάθει τα βασικά των νευρώνων και των συνάψεων.
06:33
And so I think we're readyέτοιμος to tackleανυψωτήρ
142
378000
2000
Νομίζω ότι είμαστε έτοιμοι να ασχοληθούμε
06:35
one of the mostπλέον importantσπουδαίος questionsερωτήσεις in neuroscienceνευροεπιστήμη:
143
380000
3000
με ένα από τα πιο σημαντικά ερωτήματα της νευροεπιστήμης:
06:39
how are the brainsμυαλά of menάνδρες and womenγυναίκες differentδιαφορετικός?
144
384000
3000
Σε τι διαφέρει ο εγκέφαλος των ανδρών από των γυναικών;
06:42
(LaughterΤο γέλιο)
145
387000
2000
(Γέλια)
06:44
AccordingΣύμφωνα με το to this self-helpαυτοβοήθειας bookΒιβλίο,
146
389000
2000
Σύμφωνα με αυτό το βιβλίο αυτοβοήθειας,
06:46
guys brainsμυαλά are like wafflesΒάφλες;
147
391000
2000
οι εγκέφαλοι των ανδρών είναι σαν τις βάφλες·
06:48
they keep theirδικα τους livesζωή compartmentalizedδιαμερισματική in boxesκουτιά.
148
393000
3000
είναι τμηματοποιημένοι, σαν τις ζωές τους.
06:51
Girls'Κορίτσια» brainsμυαλά are like spaghettiμακαρόνια;
149
396000
3000
Οι εγκέφαλοι των γυναικών είναι σαν μακαρόνια·
06:54
everything in theirδικα τους life is connectedσυνδεδεμένος to everything elseαλλού.
150
399000
3000
όλα στη ζωή των γυναικών είναι συνδεδεμένα μεταξύ τους.
06:57
(LaughterΤο γέλιο)
151
402000
2000
(Γέλια)
06:59
You guys are laughingγέλιο,
152
404000
2000
Εσείς γελάτε,
07:01
but you know, this bookΒιβλίο changedάλλαξε my life.
153
406000
2000
αλλά, ξέρετε, αυτό το βιβλίο μου άλλαξε τη ζωή.
07:03
(LaughterΤο γέλιο)
154
408000
2000
(Γέλια)
07:07
But seriouslyσοβαρά, what's wrongλανθασμένος with this?
155
412000
3000
Σοβαρά, πού είναι το λάθος;
07:10
You alreadyήδη know enoughαρκετά to tell me -- what's wrongλανθασμένος with this statementδήλωση?
156
415000
3000
Ξέρετε αρκετά για να μου απαντήσετε -- πού είναι το λάθος σε αυτή τη δήλωση;
07:20
It doesn't matterύλη whetherκατά πόσο you're a guy or girlκορίτσι,
157
425000
3000
Δεν έχει σημασία εάν είσαι αγόρι ή κορίτσι,
07:23
everyone'sο καθένας brainsμυαλά are like spaghettiμακαρόνια.
158
428000
3000
οι εγκέφαλοι όλων μας είναι σαν μακαρόνια.
07:26
Or maybe really, really fine capelliniκαπελίνο with branchesυποκαταστήματα.
159
431000
3000
Ή ίσως σαν πολύ λεπτά μακαρόνια με διακλαδώσεις.
07:30
Just as one strandσκέλος of spaghettiμακαρόνια
160
435000
2000
Όπως ένα μακαρόνι
07:32
contactsεπαφές manyΠολλά other strandsσκέλη on your plateπλάκα,
161
437000
3000
ακουμπά πολλά άλλα μακαρόνια στο πιάτο σας,
07:35
one neuronνευρώνας touchesαγγίζει manyΠολλά other neuronsνευρώνες
162
440000
2000
έτσι και ένας νευρώνας αγγίζει πολλούς άλλους νευρώνες
07:37
throughδιά μέσου theirδικα τους entangledεμπλακεί branchesυποκαταστήματα.
163
442000
2000
μέσω των περιπλεκόμενων διακλαδώσεών τους.
07:39
One neuronνευρώνας can be connectedσυνδεδεμένος to so manyΠολλά other neuronsνευρώνες,
164
444000
3000
Ένας νευρώνας μπορεί να επικοινωνεί με τόσους πολλούς νευρώνες,
07:42
because there can be synapsesσυνάψεις
165
447000
2000
λόγω της δημιουργίας συνάψεων
07:44
at these pointsσημεία of contactΕπικοινωνία.
166
449000
3000
στα σημεία επαφής.
07:49
By now, you mightθα μπορούσε have sortείδος of lostχαμένος perspectiveπροοπτική
167
454000
3000
Μέχρι τώρα ίσως να έχετε λανθασμένη άποψη
07:52
on how largeμεγάλο this cubeκύβος of brainεγκέφαλος tissueιστός actuallyπράγματι is.
168
457000
3000
για το πόσο μεγάλο είναι αυτό το κομμάτι εγκεφάλου.
07:55
And so let's do a seriesσειρά of comparisonsσυγκρίσεις to showπροβολή you.
169
460000
3000
Ας κάνουμε μια σειρά συγκρίσεων για να καταλάβετε.
07:58
I assureεπιβεβαιώνω you, this is very tinyμικροσκοπικός. It's just sixέξι micronsMicrons on a sideπλευρά.
170
463000
3000
Σας βεβαιώνω, είναι πολύ μικρό. Είναι μόνο 6 μικρόμετρα σε κάθε πλευρά.
08:03
So, here'sεδώ είναι how it stacksστοίβες up againstκατά an entireολόκληρος neuronνευρώνας.
171
468000
3000
Εδώ το βλέπετε σε σχέση με έναν ολόκληρο νευρώνα.
08:06
And you can tell that, really, only the smallestμικρότερο fragmentsθραύσματα of branchesυποκαταστήματα
172
471000
3000
Είναι προφανές ότι μόνο μερικά μικρά τμήματα των διακλαδώσεων
08:09
are containedπεριέχονται insideμέσα this cubeκύβος.
173
474000
3000
βρίσκονται σε αυτό το κομμάτι.
08:12
And a neuronνευρώνας, well, that's smallerμικρότερος than brainεγκέφαλος.
174
477000
3000
Ένας νευρώνας είναι σίγουρα μικρότερος από έναν ολόκληρο εγκέφαλο.
08:17
And that's just a mouseποντίκι brainεγκέφαλος --
175
482000
2000
Αλλά αυτός είναι ένας εγκέφαλος ποντικιού--
08:21
it's a lot smallerμικρότερος than a humanο άνθρωπος brainεγκέφαλος.
176
486000
3000
πολύ μικρότερος από έναν ανθρώπινο εγκέφαλο.
08:25
So when showπροβολή my friendsοι φιλοι this,
177
490000
2000
Όταν το δείχνω αυτό στους φίλους μου,
08:27
sometimesωρες ωρες they'veέχουν told me,
178
492000
2000
μερικές φορές μου λένε,
08:29
"You know, SebastianΣεμπάστιαν, you should just give up.
179
494000
3000
«Ξέρεις, Σεμπάστιαν, απλά θα έπρεπε να τα παρατήσεις».
08:32
NeuroscienceΝευροεπιστήμη is hopelessαπελπισμένος."
180
497000
2000
«Η νευροεπιστήμη δεν έχει ελπίδα».
08:34
Because if you look at a brainεγκέφαλος with your nakedγυμνός eyeμάτι,
181
499000
2000
Γιατί όταν κοιτάς τον εγκέφαλο με γυμνό μάτι,
08:36
you don't really see how complexσυγκρότημα it is,
182
501000
2000
δεν φαίνεται πόσο πραγματικά πολύπλοκος είναι,
08:38
but when you use a microscopeμικροσκόπιο,
183
503000
2000
αλλά όταν χρησιμοποιείς το μικροσκόπιο,
08:40
finallyτελικά the hiddenκεκρυμμένος complexityπερίπλοκο is revealedαποκάλυψε.
184
505000
3000
η κρυμμένη πολυπλοκότητα τελικά αποκαλύπτεται.
08:45
In the 17thth centuryαιώνας,
185
510000
2000
Τον 17ο αιώνα,
08:47
the mathematicianμαθηματικός and philosopherφιλόσοφος, BlaiseΜπλεζ PascalΠασκάλ,
186
512000
2000
ο μαθηματικός και φιλόσοφος, Μπλεζ Πασκάλ,
08:49
wroteέγραψε of his dreadφόβος of the infiniteάπειρος,
187
514000
3000
έγραψε ότι φοβόταν το άπειρο,
08:52
his feelingσυναισθημα of insignificanceασημαντότητα
188
517000
2000
ότι αισθανόταν ασήμαντος
08:54
at contemplatingτο ενδεχόμενο the vastαπέραντος reachesφτάνει of outerεξωτερικός spaceχώρος.
189
519000
3000
όταν συλλογιζόταν την απεραντοσύνη του διαστήματος.
08:59
And, as a scientistεπιστήμονας,
190
524000
2000
Σαν επιστήμονας,
09:01
I'm not supposedυποτιθεμένος to talk about my feelingsσυναισθήματα --
191
526000
3000
υποτίθεται ότι δεν πρέπει να μιλάω για τα αισθήματά μου --
09:04
too much informationπληροφορίες, professorκαθηγητής.
192
529000
2000
παραπανίσια πληροφορία, κύριε καθηγητά.
09:06
(LaughterΤο γέλιο)
193
531000
2000
(Γέλια)
09:08
But mayενδέχεται I?
194
533000
2000
Θα μου επιτρέψετε όμως;
09:10
(LaughterΤο γέλιο)
195
535000
2000
(Γέλια)
09:12
(ApplauseΧειροκροτήματα)
196
537000
2000
(Χειροκροτήματα)
09:14
I feel curiosityπεριέργεια,
197
539000
2000
Νιώθω περιέργεια,
09:16
and I feel wonderθαύμα,
198
541000
2000
και θαυμασμό,
09:18
but at timesφορές I have alsoεπίσης feltένιωσα despairαπελπισία.
199
543000
3000
αν και μερικές φορές έχω απογοητευτεί.
09:22
Why did I chooseεπιλέγω to studyμελέτη
200
547000
2000
Γιατί διάλεξα να μελετήσω
09:24
this organόργανο that is so awesomeφοβερός in its complexityπερίπλοκο
201
549000
3000
αυτό το όργανο το οποίο είναι τόσο απίστευτα πολύπλοκο,
09:27
that it mightθα μπορούσε well be infiniteάπειρος?
202
552000
2000
ώστε μπορεί κάλλιστα να είναι άπειρο;
09:29
It's absurdπαράλογος.
203
554000
2000
Είναι παράλογο.
09:31
How could we even dareτολμώ to think
204
556000
2000
Πώς τολμάμε να πιστεύουμε
09:33
that we mightθα μπορούσε ever understandκαταλαβαίνουν this?
205
558000
3000
ότι κάποτε θα καταλάβουμε τον εγκέφαλο;
09:38
And yetΑκόμη, I persistεξακολουθούν να υπάρχουν in this quixoticδονκιχωτική endeavorπροσπάθεια.
206
563000
3000
Παρόλα αυτά, επιμένω σε αυτήν την ουτοπική προσπάθεια.
09:41
And indeedπράγματι, these daysημέρες I harborλιμάνι newνέος hopesελπίδες.
207
566000
3000
Όντως, αυτές τις μέρες οι ελπίδες μου έχουν ανανεωθεί.
09:45
SomedayΚάποια μέρα,
208
570000
2000
Κάποια μέρα,
09:47
a fleetστόλος of microscopesμικροσκόπια will captureπιάνω
209
572000
2000
ένας στόλος από μικροσκόπια θα καταγράψει
09:49
everyκάθε neuronνευρώνας and everyκάθε synapseσυνάψεων
210
574000
2000
όλους τους νευρώνες και τις συνάψεις
09:51
in a vastαπέραντος databaseβάση δεδομένων of imagesεικόνες.
211
576000
3000
σε μία τεράστια συλλογή εικόνων.
09:54
And some day, artificiallyτεχνητά intelligentέξυπνος supercomputersυπερυπολογιστές
212
579000
3000
Κάποια μέρα, σουπερ-υπολογιστές με τεχνητή νοημοσύνη
09:57
will analyzeαναλύει the imagesεικόνες withoutχωρίς humanο άνθρωπος assistanceβοήθεια
213
582000
3000
θα αναλύσουν τις εικόνες χωρίς ανθρώπινη βοήθεια
10:00
to summarizeσυνοψίζω them in a connectomeconnectome.
214
585000
3000
και θα τις συνοψίσουν σε μορφή δικτυώματος.
10:04
I do not know, but I hopeελπίδα that I will liveζω to see that day,
215
589000
3000
Δεν το γνωρίζω, αλλά ελπίζω ότι θα είμαι ζωντανός εκείνη την μέρα,
10:08
because findingεύρεση an entireολόκληρος humanο άνθρωπος connectomeconnectome
216
593000
2000
γιατί η εύρεση του ανθρώπινου δικτυώματος
10:10
is one of the greatestμεγαλύτερη technologicalτεχνολογικός challengesπροκλήσεις of all time.
217
595000
3000
είναι μία από τις μεγαλύτερες τεχνολογικές προκλήσεις όλων των εποχών.
10:13
It will take the work of generationsγενεών to succeedπετυχαίνω.
218
598000
3000
Χρειάζεται δουλειά πολλών γενεών πριν να ολοκληρωθεί επιτυχώς.
10:17
At the presentπαρόν time, my collaboratorsσυνεργάτες and I,
219
602000
3000
Προς το παρόν, οι συνεργάτες μου και εγώ,
10:20
what we're aimingμε στόχο την for is much more modestμετριόφρων --
220
605000
2000
στοχεύουμε σε κάτι πιο εύκολο --
10:22
just to find partialμερικός connectomesconnectomes
221
607000
2000
μόνο να βρούμε ένα μέρος από τα δικτυώματα
10:24
of tinyμικροσκοπικός chunksκομμάτια of mouseποντίκι and humanο άνθρωπος brainεγκέφαλος.
222
609000
3000
μικροσκοπικών κομματιών από τον εγκέφαλο ποντικιών και ανθρώπων.
10:27
But even that will be enoughαρκετά for the first testsδοκιμές of this hypothesisυπόθεση
223
612000
3000
Αυτό θα ήταν αρκετό για την αρχική αξιολόγηση της θεωρίας
10:30
that I am my connectomeconnectome.
224
615000
3000
ότι είμαι το δικτύωμά μου.
10:35
For now, let me try to convinceπείθω you of the plausibilityαληθοφάνεια of this hypothesisυπόθεση,
225
620000
3000
Προς το παρόν, θα προσπαθήσω να σας πείσω για την αξιοπιστία της θεωρίας,
10:38
that it's actuallyπράγματι worthαξία takingλήψη seriouslyσοβαρά.
226
623000
3000
ότι αξίζει τον κόπο να την πάρετε στα σοβαρά.
10:42
As you growκαλλιεργώ duringστη διάρκεια childhoodΠαιδική ηλικία
227
627000
2000
Καθώς ενηλικιώνεστε
10:44
and ageηλικία duringστη διάρκεια adulthoodενήλικη ζωή,
228
629000
3000
και γερνάτε,
10:47
your personalπροσωπικός identityΤαυτότητα changesαλλαγές slowlyαργά.
229
632000
3000
η προσωπική σας ταυτότητα αλλάζει σταδιακά.
10:50
LikewiseΟμοίως, everyκάθε connectomeconnectome
230
635000
2000
Παρομοίως, κάθε δικτύωμα
10:52
changesαλλαγές over time.
231
637000
2000
αλλάζει με την πάροδο του χρόνου.
10:55
What kindsείδη of changesαλλαγές happenσυμβεί?
232
640000
2000
Τι αλλαγές συμβαίνουν;
10:57
Well, neuronsνευρώνες, like treesδέντρα,
233
642000
2000
Οι νευρώνες, όπως τα δέντρα,
10:59
can growκαλλιεργώ newνέος branchesυποκαταστήματα,
234
644000
2000
μπορούν να δημιουργήσουν νέες διακλαδώσεις
11:01
and they can loseχάνω oldπαλαιός onesαυτές.
235
646000
3000
αλλά και να χάσουν τις παλιές.
11:04
SynapsesΣυνάψεις can be createdδημιουργήθηκε,
236
649000
3000
Συνάψεις μπορούν να δημιουργηθούν,
11:07
and they can be eliminatedεξαλειφθεί.
237
652000
3000
αλλά και να απαλειφθούν.
11:10
And synapsesσυνάψεις can growκαλλιεργώ largerμεγαλύτερος,
238
655000
2000
Οι συνάψεις μπορούν να μεγαλώσουν,
11:12
and they can growκαλλιεργώ smallerμικρότερος.
239
657000
3000
αλλά και να μικρύνουν.
11:15
SecondΔεύτερη questionερώτηση:
240
660000
2000
Δεύτερη ερώτηση:
11:17
what causesαιτίες these changesαλλαγές?
241
662000
3000
Τι προκαλεί αυτές τις αλλαγές;
11:20
Well, it's trueαληθής.
242
665000
2000
Γενικά, είναι αλήθεια.
11:22
To some extentέκταση, they are programmedπρογραμματισμένος by your genesγονίδια.
243
667000
3000
Μέχρι ένα σημείο είναι προγραμματισμένες από τα γονίδιά σας.
11:25
But that's not the wholeολόκληρος storyιστορία,
244
670000
2000
Αλλά δεν είναι μόνο αυτό,
11:27
because there are signalsσήματα, electricalηλεκτρικός signalsσήματα,
245
672000
2000
γιατί υπάρχουν σήματα, ηλεκτρικά σήματα,
11:29
that travelταξίδι alongκατά μήκος the branchesυποκαταστήματα of neuronsνευρώνες
246
674000
2000
τα οποία κινούνται κατά μήκος των διακλαδώσεων των νευρώνων
11:31
and chemicalχημική ουσία signalsσήματα
247
676000
2000
και χημικά σήματα
11:33
that jumpάλμα acrossαπέναντι from branchκλαδί to branchκλαδί.
248
678000
2000
τα οποία πηδάνε από διακλάδωση σε διακλάδωση.
11:35
These signalsσήματα are calledπου ονομάζεται neuralνευρικός activityδραστηριότητα.
249
680000
3000
Αυτά τα σήματα ονομάζονται νευρωνική δραστηριότητα.
11:38
And there's a lot of evidenceαπόδειξη
250
683000
2000
Υπάρχουν πολλές ενδείξεις
11:40
that neuralνευρικός activityδραστηριότητα
251
685000
3000
ότι η νευρωνική δραστηριότητα
11:43
is encodingκωδικοποίηση our thoughtsσκέψεις, feelingsσυναισθήματα and perceptionsαντιλήψεις,
252
688000
3000
κωδικοποιεί τις σκέψεις, τα αισθήματα και την αντίληψή μας,
11:46
our mentalδιανοητικός experiencesεμπειρίες.
253
691000
2000
τις νοητικές εμπειρίες μας.
11:48
And there's a lot of evidenceαπόδειξη that neuralνευρικός activityδραστηριότητα
254
693000
3000
Υπάρχουν πολλές ενδείξεις ότι η νευρωνική δραστηριότητα
11:51
can causeαιτία your connectionsσυνδέσεις to changeαλλαγή.
255
696000
3000
μπορεί να επιφέρει αλλαγές στις νευρωνικές συνδέσεις.
11:54
And if you put those two factsγεγονότα togetherμαζί,
256
699000
3000
Εάν συνδυάσουμε αυτά τα δύο γεγονότα,
11:57
it meansπου σημαίνει that your experiencesεμπειρίες
257
702000
2000
συμπεραίνουμε ότι οι εμπειρίες μας
11:59
can changeαλλαγή your connectomeconnectome.
258
704000
3000
μπορούν να αλλάξουν το δικτύωμά μας.
12:02
And that's why everyκάθε connectomeconnectome is uniqueμοναδικός,
259
707000
2000
Γι' αυτό κάθε δικτύωμα είναι μοναδικό,
12:04
even those of geneticallyγενεσιολογικά identicalπανομοιότυπο twinsδίδυμα.
260
709000
3000
ακόμα και των γενετικά πανομοιότυπων διδύμων.
12:08
The connectomeconnectome is where natureφύση meetsσυναντά nurtureανατροφή.
261
713000
3000
Το δικτύωμα είναι το σημείο όπου η φύση συναντά την ανατροφή (σ.τ.μ.: έμφυτο/επίκτητο).
12:12
And it mightθα μπορούσε trueαληθής
262
717000
2000
Μπορεί να είναι αλήθεια
12:14
that just the mereμόνο actενεργω of thinkingσκέψη
263
719000
2000
ότι ακόμα και η απλή πράξη της σκέψης
12:16
can changeαλλαγή your connectomeconnectome --
264
721000
2000
μπορεί να αλλάξει το δικτύωμά σας --
12:18
an ideaιδέα that you mayενδέχεται find empoweringενδυνάμωση.
265
723000
3000
μία ιδέα την οποία μπορεί να βρείτε ενθαρρυντική.
12:24
What's in this pictureεικόνα?
266
729000
2000
Τι υπάρχει σε αυτήν την εικόνα;
12:28
A coolδροσερός and refreshingδροσιστικό streamρεύμα of waterνερό, you say.
267
733000
3000
Μία δροσερή και αναζωογονητική ροή νερού, ίσως να έλεγε κάποιος.
12:32
What elseαλλού is in this pictureεικόνα?
268
737000
2000
Τι άλλο υπάρχει σε αυτήν την εικόνα;
12:37
Do not forgetξεχνάμε that grooveαυλάκι in the EarthΓη
269
742000
2000
Μην ξεχνάτε αυτό το αυλάκι στο χώμα
12:39
calledπου ονομάζεται the streamρεύμα bedκρεβάτι.
270
744000
3000
το οποίο ονομάζεται, η κοίτη του ρεύματος.
12:42
WithoutΧωρίς it, the waterνερό would not know in whichοι οποίες directionκατεύθυνση to flowροή.
271
747000
3000
Χωρίς αυτό, το νερό δεν θα ήξερε προς τα που να ρέει.
12:45
And with the streamρεύμα,
272
750000
2000
Σχετικά με αυτήν την ροή,
12:47
I would like to proposeπροτείνω a metaphorμεταφορική έννοια
273
752000
2000
Θα ήθελα να προτείνω μία αναλογία
12:49
for the relationshipσχέση betweenμεταξύ neuralνευρικός activityδραστηριότητα
274
754000
2000
για την σχέση μεταξύ νευρωνικής δραστηριότητας
12:51
and connectivityσυνδεσιμότητα.
275
756000
2000
και συνδεσιμότητας.
12:54
NeuralΝευρική activityδραστηριότητα is constantlyσυνεχώς changingαλλάζοντας.
276
759000
3000
Η νευρωνική δραστηριότητα αλλάζει συνεχώς.
12:57
It's like the waterνερό of the streamρεύμα; it never sitsκάθεται still.
277
762000
3000
Είναι σαν το νερό που ρέει. Δεν είναι ποτέ σταθερή.
13:00
The connectionsσυνδέσεις
278
765000
2000
Οι συνδέσεις
13:02
of the brain'sτου εγκεφάλου neuralνευρικός networkδίκτυο
279
767000
2000
του νευρωνικού δικτύου του εγκεφάλου σας
13:04
determinesκαθορίζει the pathwaysπορείες
280
769000
2000
καθορίζουν τα μονοπάτια
13:06
alongκατά μήκος whichοι οποίες neuralνευρικός activityδραστηριότητα flowsροές.
281
771000
2000
στα οποία ρέει η νευρωνική δραστηριότητα.
13:08
And so the connectomeconnectome is like bedκρεβάτι of the streamρεύμα;
282
773000
3000
Έτσι το δικτύωμα είναι σαν την κοίτη του ρεύματος·
13:13
but the metaphorμεταφορική έννοια is richerπλουσιότερο than that,
283
778000
3000
αλλά η αναλογία δεν σταματάει εδώ,
13:16
because it's trueαληθής that the streamρεύμα bedκρεβάτι
284
781000
3000
γιατί είναι αλήθεια ότι η κοίτη του ρεύματος
13:19
guidesοδηγοί the flowροή of the waterνερό,
285
784000
2000
καθοδηγεί την ροή του νερού,
13:21
but over long timescalesχρονοδιαγράμματα,
286
786000
2000
αλλά μακροπρόθεσμα,
13:23
the waterνερό alsoεπίσης reshapesαναμορφώνει the bedκρεβάτι of the streamρεύμα.
287
788000
3000
το νερό μπορεί να αλλάξει την κοίτη του ρεύματος.
13:26
And as I told you just now,
288
791000
2000
Όπως σας είπα μόλις τώρα,
13:28
neuralνευρικός activityδραστηριότητα can changeαλλαγή the connectomeconnectome.
289
793000
3000
η νευρωνική δραστηριότητα μπορεί να αλλάξει το δικτύωμα.
13:33
And if you'llθα το κάνετε allowεπιτρέπω me to ascendανεβείτε
290
798000
2000
Εάν μου επιτρέψετε να πάω
13:35
to metaphoricalμεταφορική heightsύψη,
291
800000
3000
σε μεταφορικό επίπεδο,
13:38
I will remindυπενθυμίζω you that neuralνευρικός activityδραστηριότητα
292
803000
3000
θα σας υπενθυμίσω ότι η νευρωνική δραστηριότητα
13:41
is the physicalφυσικός basisβάση -- or so neuroscientistsνευροεπιστήμονες think --
293
806000
2000
αναπαριστά --έτσι πιστεύουν οι νευρωεπιστήμονες--
13:43
of thoughtsσκέψεις, feelingsσυναισθήματα and perceptionsαντιλήψεις.
294
808000
3000
τις σκέψεις, τα αισθήματα και τις αντιλήψεις.
13:46
And so we mightθα μπορούσε even speakμιλώ of
295
811000
2000
Θα μπορούσαμε ακόμα να μιλήσουμε
13:48
the streamρεύμα of consciousnessσυνείδηση.
296
813000
2000
για την ροή της συνείδησης.
13:50
NeuralΝευρική activityδραστηριότητα is its waterνερό,
297
815000
3000
Η νευρωνική δραστηριότητα είναι το νερό
13:53
and the connectomeconnectome is its bedκρεβάτι.
298
818000
3000
και το δικτύωμα είναι η κοίτη.
13:57
So let's returnΕΠΙΣΤΡΟΦΗ from the heightsύψη of metaphorμεταφορική έννοια
299
822000
2000
Ας φύγουμε από το μεταφορικό επίπεδο
13:59
and returnΕΠΙΣΤΡΟΦΗ to scienceεπιστήμη.
300
824000
2000
και ας επιστρέψουμε στην επιστήμη.
14:01
SupposeΑς υποθέσουμε ότι our technologiesτεχνολογίες for findingεύρεση connectomesconnectomes
301
826000
2000
Ας υποθέσουμε ότι οι τεχνολογίες εύρεσης δικτυωμάτων
14:03
actuallyπράγματι work.
302
828000
2000
δουλεύουν.
14:05
How will we go about testingδοκιμές the hypothesisυπόθεση
303
830000
2000
Πώς θα εξετάσουμε την υπόθεση
14:07
"I am my connectomeconnectome?"
304
832000
3000
«Είμαι το δικτύωμά μου»;
14:10
Well, I proposeπροτείνω a directαπευθείας testδοκιμή.
305
835000
3000
Προτείνω μία άμεση προσέγγιση.
14:13
Let us attemptαπόπειρα
306
838000
2000
Ας προσπαθήσουμε
14:15
to readανάγνωση out memoriesαναμνήσεις from connectomesconnectomes.
307
840000
3000
να διαβάσουμε αναμνήσεις από τα δικτυώματα.
14:18
ConsiderΘεωρούν the memoryμνήμη
308
843000
2000
Σκεφτείτε την ανάμνηση μιας
14:20
of long temporalχρονικός sequencesακολουθίες of movementsκινήσεις,
309
845000
3000
μακροχρόνιας αλληλουχίας κινήσεων,
14:23
like a pianistπιανίστας playingπαιχνίδι a BeethovenΜπετόβεν sonataΣονάτα.
310
848000
3000
όπως ένας πιανίστας όταν παίζει Μπετόβεν.
14:26
AccordingΣύμφωνα με το to a theoryθεωρία that datesημερομηνίες back to the 19thth centuryαιώνας,
311
851000
3000
Σύμφωνα με μία θεωρία από τον 19ο αιώνα,
14:29
suchτέτοιος memoriesαναμνήσεις are storedαποθηκεύονται
312
854000
2000
τέτοιες αναμνήσεις αποθηκεύονται
14:31
as chainsαλυσίδες of synapticσυναπτική connectionsσυνδέσεις insideμέσα your brainεγκέφαλος.
313
856000
3000
σαν ακολουθίες συναπτικών συνδέσεων στον εγκέφαλό σας.
14:35
Because, if the first neuronsνευρώνες in the chainαλυσίδα are activatedενεργοποιείται,
314
860000
3000
Διότι εάν οι αρχικοί νευρώνες της ακολουθίας ενεργοποιηθούν,
14:38
throughδιά μέσου theirδικα τους synapsesσυνάψεις they sendστείλετε messagesμηνυμάτων to the secondδεύτερος neuronsνευρώνες, whichοι οποίες are activatedενεργοποιείται,
315
863000
3000
διαμέσου των συνάψεων στέλνουν μηνύματα στους επόμενους νευρώνες, ενεργοποιώντας τους,
14:41
and so on down the lineγραμμή,
316
866000
2000
αυτό συνεχίζεται,
14:43
like a chainαλυσίδα of fallingπτώση dominoesντόμινο.
317
868000
2000
σαν μία σειρά από ντόμινο που πέφτουν το ένα μετά το άλλο.
14:45
And this sequenceαλληλουχία of neuralνευρικός activationΕνεργοποίηση
318
870000
2000
Αυτή η ακολουθία νευρωνικής ενεργοποίησης
14:47
is hypothesizedυπέθεσε to be the neuralνευρικός basisβάση
319
872000
3000
πιστεύεται ότι είναι η νευρωνική αναπαράσταση
14:50
of those sequenceαλληλουχία of movementsκινήσεις.
320
875000
2000
της αλληλουχίας κινήσεων.
14:52
So one way of tryingπροσπαθεί to testδοκιμή the theoryθεωρία
321
877000
2000
Ένας τρόπος εξέτασης της θεωρίας
14:54
is to look for suchτέτοιος chainsαλυσίδες
322
879000
2000
είναι η αναζήτηση τέτοιων ακολουθιών
14:56
insideμέσα connectomesconnectomes.
323
881000
2000
μέσα στα δικτυώματα.
14:58
But it won'tσυνηθισμένος be easyεύκολος, because they're not going to look like this.
324
883000
3000
Αλλά δεν θα είναι εύκολο, δεν θα φαίνονται έτσι.
15:01
They're going to be scrambledομελέτα up.
325
886000
2000
Θα είναι μπερδεμένες.
15:03
So we'llΚαλά have to use our computersΥπολογιστές
326
888000
2000
Θα πρέπει να χρησιμοποιήσουμε υπολογιστές
15:05
to try to unscrambleξεμπλέκω the chainαλυσίδα.
327
890000
3000
για να ξεμπερδέψουμε την ακολουθία.
15:08
And if we can do that,
328
893000
2000
Εάν το καταφέρουμε αυτό,
15:10
the sequenceαλληλουχία of the neuronsνευρώνες we recoverαναρρώνω from that unscramblingαποκρυπτογράφιση
329
895000
3000
η ακολουθία των νευρώνων που θα ανακτήσουμε
15:13
will be a predictionπροφητεία of the patternπρότυπο of neuralνευρικός activityδραστηριότητα
330
898000
3000
θα προβλέπει την ακολουθία της νευρωνικής δραστηριότητας
15:16
that is replayedαναπαραχθούν in the brainεγκέφαλος duringστη διάρκεια memoryμνήμη recallανάκληση.
331
901000
3000
που επαναλαμβάνεται στον εγκέφαλο κατά την ανάκληση της ανάμνησης.
15:19
And if that were successfulεπιτυχής,
332
904000
2000
Εάν αυτό επιτύχει,
15:21
that would be the first exampleπαράδειγμα of readingΑΝΑΓΝΩΣΗ a memoryμνήμη from a connectomeconnectome.
333
906000
3000
θα είναι το πρώτο παράδειγμα ανάγνωσης μίας ανάμνησης από ένα δικτύωμα.
15:28
(LaughterΤο γέλιο)
334
913000
2000
(Γέλια)
15:30
What a messΑνω ΚΑΤΩ --
335
915000
2000
Τι μπέρδεμα --
15:33
have you ever triedδοκιμασμένος to wireσύρμα up a systemΣύστημα
336
918000
2000
έχετε προσπαθήσει να συνδέσετε ένα σύστημα
15:35
as complexσυγκρότημα as this?
337
920000
2000
τόσο πολύπλοκο όσο αυτό;
15:37
I hopeελπίδα not.
338
922000
2000
Ελπίζω πως όχι.
15:39
But if you have, you know it's very easyεύκολος to make a mistakeλάθος.
339
924000
3000
Εάν έχετε, γνωρίζετε ότι είναι πολύ εύκολο να κάνετε κάποιο λάθος.
15:45
The branchesυποκαταστήματα of neuronsνευρώνες are like the wiresκαλώδια of the brainεγκέφαλος.
340
930000
2000
Οι διακλαδώσεις των νευρώνων είναι σαν τα καλώδια του εγκεφάλου.
15:47
Can anyoneο καθενας guessεικασία: what's the totalσύνολο lengthμήκος of wiresκαλώδια in your brainεγκέφαλος?
341
932000
4000
Μπορεί κάποιος να μαντέψει: πόσο είναι το συνολικό μήκος των καλωδίων στον εγκέφαλο σας;
15:54
I'll give you a hintίχνος. It's a bigμεγάλο numberαριθμός.
342
939000
2000
Θα σας βοηθήσω. Είναι ένας μεγάλος αριθμός.
15:56
(LaughterΤο γέλιο)
343
941000
2000
(Γέλια)
15:59
I estimateεκτίμηση, millionsεκατομμύρια of milesμίλια,
344
944000
3000
Υπολογίζω εκατομμύρια μιλίων,
16:02
all packedσυσκευασμένα in your skullκρανίο.
345
947000
3000
όλα πακεταρισμένα στο κρανίο σας.
16:05
And if you appreciateΕκτιμώ that numberαριθμός,
346
950000
2000
Εάν εκτιμήσετε αυτόν τον αριθμό,
16:07
you can easilyεύκολα see
347
952000
2000
εύκολα θα καταλάβετε
16:09
there is hugeτεράστιος potentialδυνητικός for mis-wiringκακή καλωδίωση of the brainεγκέφαλος.
348
954000
2000
ότι υπάρχει μεγάλη πιθανότητα για λανθασμένη εγκεφαλική συνδεσμολογία.
16:11
And indeedπράγματι, the popularδημοφιλής pressτύπος lovesαγαπά headlinesπρωτοσέλιδα like,
349
956000
3000
Όντως, στον τύπο αρέσουν πρωτοσέλιδα όπως,
16:14
"AnorexicΑνορεξικά brainsμυαλά are wiredενσύρματο differentlyδιαφορετικά,"
350
959000
2000
«Οι εγκέφαλοι των ανορεξικών είναι διαφορετικά καλωδιωμένοι »,
16:16
or "AutisticΑυτιστικών brainsμυαλά are wiredενσύρματο differentlyδιαφορετικά."
351
961000
2000
ή «Οι εγκέφαλοι των αυτιστικών είναι διαφορετικά καλωδιωμένοι».
16:18
These are plausibleεύλογες claimsαξιώσεις,
352
963000
2000
Αυτοί είναι εύλογοι ισχυρισμοί,
16:20
but in truthαλήθεια,
353
965000
2000
αλλά στην πραγματικότητα,
16:22
we can't see the brain'sτου εγκεφάλου wiringκαλωδίωση clearlyσαφώς enoughαρκετά
354
967000
2000
δεν μπορούμε να δούμε καθαρά την εγκεφαλική συνδεσμολογία
16:24
to tell if these are really trueαληθής.
355
969000
2000
ώστε να εξακριβώσουμε εάν οι ισχυρισμοί αυτοί είναι αληθινοί.
16:26
And so the technologiesτεχνολογίες for seeingβλέπων connectomesconnectomes
356
971000
3000
Έτσι οι τεχνολογίες για την παρατήρηση δικτυωμάτων
16:29
will allowεπιτρέπω us to finallyτελικά
357
974000
2000
θα μας επιτρέψουν
16:31
readανάγνωση mis-wiringκακή καλωδίωση of the brainεγκέφαλος,
358
976000
2000
να παρατηρήσουμε την λανθασμένη εγκεφαλική συνδεσμολογία,
16:33
to see mentalδιανοητικός disordersδιαταραχές in connectomesconnectomes.
359
978000
3000
να αναγνωρίσουμε ψυχικές ασθένειες στα δικτυώματα.
16:40
SometimesΜερικές φορές the bestκαλύτερος way to testδοκιμή a hypothesisυπόθεση
360
985000
3000
Μερικές φορές ο καλύτερος τρόπος για την επιβεβαίωση κάποιας υπόθεσης
16:43
is to considerσκεφτείτε its mostπλέον extremeάκρο implicationΕΠΙΠΤΩΣΕΙΣ.
361
988000
3000
είναι η εξέταση του πιο ακραίου επακόλουθου της.
16:46
PhilosophersΦιλόσοφοι know this gameπαιχνίδι very well.
362
991000
3000
Οι φιλόσοφοι ξέρουν αυτό το παιχνίδι πολύ καλά.
16:50
If you believe that I am my connectomeconnectome,
363
995000
3000
Εάν πιστεύετε ότι είμαι το δικτύωμά μου,
16:53
I think you mustπρέπει alsoεπίσης acceptαποδέχομαι the ideaιδέα
364
998000
3000
νομίζω ότι πρέπει να δεχτείτε και την ιδέα
16:56
that deathθάνατος is the destructionκαταστροφή
365
1001000
2000
ότι ο θάνατος είναι η καταστροφή
16:58
of your connectomeconnectome.
366
1003000
3000
του δικτυώματος.
17:02
I mentionαναφέρω this because there are prophetsπροφήτες todayσήμερα
367
1007000
3000
Το αναφέρω αυτό γιατί υπάρχουν προφήτες
17:05
who claimαπαίτηση that technologyτεχνολογία
368
1010000
3000
που ισχυρίζονται ότι η τεχνολογία
17:08
will fundamentallyθεμελιωδώς alterμεταβάλλει the humanο άνθρωπος conditionκατάσταση
369
1013000
3000
θα αλλάξει δραματικά την ανθρώπινη υπόσταση
17:11
and perhapsίσως even transformμεταμορφώνω the humanο άνθρωπος speciesείδος.
370
1016000
3000
και πιθανώς να μεταμορφώσει το ανθρώπινο είδος.
17:14
One of theirδικα τους mostπλέον cherishedλατρεύεται dreamsόνειρα
371
1019000
3000
Ένα από τα πιο λατρεμένα τους όνειρα
17:17
is to cheatεξαπατήσει deathθάνατος
372
1022000
2000
είναι να ξεγελάσουν το θάνατο
17:19
by that practiceπρακτική knownγνωστός as cryonicscryonics.
373
1024000
2000
με μία πρακτική ευρύτερα γνωστή σαν κρυονική.
17:21
If you payπληρωμή 100,000 dollarsδολάρια,
374
1026000
2000
Εάν πληρώσετε 100.000 δολάρια,
17:23
you can arrangeΤακτοποιήστε to have your bodyσώμα frozenπαγωμένος after deathθάνατος
375
1028000
3000
μπορείτε να κανονίσετε ώστε το σώμα σας να καταψυχθεί μετά θάνατον
17:26
and storedαποθηκεύονται in liquidυγρό nitrogenαζώτου
376
1031000
2000
και θα αποθηκευτεί σε υγρό άζωτο
17:28
in one of these tanksδεξαμενές in an ArizonaΑριζόνα warehouseαποθήκη,
377
1033000
2000
μέσα σε μία δεξαμενή στις αποθήκες της Αριζόνας
17:30
awaitingεν αναμονή a futureμελλοντικός civilizationπολιτισμός
378
1035000
2000
αναμένοντας έναν μελλοντικό πολιτισμό
17:32
that is advancedπροχωρημένος to resurrectανασταίνω you.
379
1037000
3000
τόσο εξελιγμένο ώστε να σας αναστήσει.
17:36
Should we ridiculeγελοιοποίηση the modernμοντέρνο seekersαιτούντων άσυλο of immortalityαθανασία,
380
1041000
2000
Θα έπρεπε να γελάσουμε με τους σύγχρονους αναζητητές της αθανασίας,
17:38
callingκλήση them foolsανόητοι?
381
1043000
2000
αποκαλώντας τους ανόητους;
17:40
Or will they somedayκάποια μέρα chuckleσυγκρατημένο γέλιο
382
1045000
2000
Ή μήπως αυτοί θα γελούν κάποια μέρα
17:42
over our gravesτους τάφους?
383
1047000
2000
πάνω από τους τάφους μας;
17:45
I don't know --
384
1050000
2000
Δεν γνωρίζω --
17:47
I preferπροτιμώ to testδοκιμή theirδικα τους beliefsτις πεποιθήσεις, scientificallyεπιστημονικώς.
385
1052000
3000
προτιμώ να εξετάζω τα πιστεύω τους, επιστημονικά.
17:50
I proposeπροτείνω that we attemptαπόπειρα to find a connectomeconnectome
386
1055000
2000
Προτείνω να προσπαθήσουμε να βρούμε το δικτύωμα
17:52
of a frozenπαγωμένος brainεγκέφαλος.
387
1057000
2000
ενός παγωμένου εγκεφάλου.
17:54
We know that damageβλάβη to the brainεγκέφαλος
388
1059000
2000
Γνωρίζουμε ότι ο εγκέφαλος παθαίνει ζημιά
17:56
occursλαμβάνει χώρα after deathθάνατος and duringστη διάρκεια freezingκατάψυξη.
389
1061000
2000
μετά τον θάνατο και όσο είναι παγωμένος.
17:58
The questionερώτηση is: has that damageβλάβη erasedδιαγράφονται the connectomeconnectome?
390
1063000
3000
Το ερώτημα είναι: είναι ικανή αυτή η ζημιά να διαγράψει το δικτύωμα;
18:01
If it has, there is no way that any futureμελλοντικός civilizationπολιτισμός
391
1066000
3000
Εάν ναι, δεν υπάρχει περίπτωση κάποιος μελλοντικός πολιτισμός
18:04
will be ableικανός to recoverαναρρώνω the memoriesαναμνήσεις of these frozenπαγωμένος brainsμυαλά.
392
1069000
3000
να μπορέσει να ανακτήσει τις αναμνήσεις αυτών των παγωμένων εγκεφάλων.
18:07
ResurrectionΑνάσταση mightθα μπορούσε succeedπετυχαίνω for the bodyσώμα,
393
1072000
2000
Η ανάσταση μπορεί να επιτύχει για το σώμα,
18:09
but not for the mindμυαλό.
394
1074000
2000
αλλά όχι για τον νου.
18:11
On the other handχέρι, if the connectomeconnectome is still intactάθικτο,
395
1076000
3000
Στην αντίθετη περίπτωση, εάν το δικτύωμα είναι άθικτο,
18:14
we cannotδεν μπορώ ridiculeγελοιοποίηση the claimsαξιώσεις of cryonicscryonics so easilyεύκολα.
396
1079000
3000
δεν μπορούμε να γελοιοποιήσουμε τους ισχυρισμούς της κρυονικής τόσο εύκολα.
18:20
I've describedπεριγράφεται a questΑναζήτηση
397
1085000
2000
Έχω περιγράψει μία αναζήτηση
18:22
that beginsαρχίζει in the worldκόσμος of the very smallμικρό,
398
1087000
3000
που ξεκινά στον κόσμο του μικροσκοπικού,
18:25
and propelsωθεί us to the worldκόσμος of the farμακριά futureμελλοντικός.
399
1090000
3000
αλλά μας οδηγεί στο μακρινό μέλλον.
18:28
ConnectomesConnectomes will markσημάδι a turningστροφή pointσημείο in humanο άνθρωπος historyιστορία.
400
1093000
3000
Τα δικτυώματα θα σηματοδοτήσουν ένα σημείο καμπής στην ανθρώπινη ιστορία.
18:32
As we evolvedεξελίχθηκε from our ape-likeAPE-όπως ancestorsπρογόνους
401
1097000
2000
Κατά την εξέλιξη από τους πιθηκοειδείς προγόνους
18:34
on the AfricanΑφρικανική savannaΣαβάνα,
402
1099000
2000
της Αφρικανικής σαβάνας,
18:36
what distinguishedδιακεκριμένος us was our largerμεγαλύτερος brainsμυαλά.
403
1101000
3000
το μεγαλύτερο εγκεφαλικό μέγεθος ήταν αυτό που μας έκανε να ξεχωρίσουμε.
18:40
We have used our brainsμυαλά to fashionμόδα
404
1105000
2000
Χρησιμοποιήσαμε τους εγκεφάλους μας για την δημιουργία
18:42
ever more amazingφοβερο technologiesτεχνολογίες.
405
1107000
3000
ακόμα πιο απίστευτων τεχνολογιών.
18:45
EventuallyΤελικά, these technologiesτεχνολογίες will becomeγίνομαι so powerfulισχυρός
406
1110000
3000
Αυτές οι τεχνολογίες θα γίνουν κάποτε τόσο δυνατές
18:48
that we will use them to know ourselvesεμείς οι ίδιοι
407
1113000
3000
που θα τις χρησιμοποιήσουμε για να γνωρίσουμε τους εαυτούς μας
18:51
by deconstructingΑποδομώντας and reconstructingανακατασκευή
408
1116000
3000
με την αποικοδόμηση και ανακατασκευή
18:54
our ownτα δικά brainsμυαλά.
409
1119000
3000
των εγκεφάλων μας.
18:57
I believe that this voyageταξίδι στη θάλασσα of self-discoveryανακάλυψη του ευατού
410
1122000
3000
Πιστεύω ότι αυτό το ταξίδι αυτο-ανακάλυψης
19:00
is not just for scientistsΕπιστήμονες,
411
1125000
3000
δεν είναι μόνο για επιστήμονες,
19:03
but for all of us.
412
1128000
2000
αλλά για όλους μας.
19:05
And I'm gratefulευγνώμων for the opportunityευκαιρία to shareμερίδιο this voyageταξίδι στη θάλασσα with you todayσήμερα.
413
1130000
3000
Είμαι ευγνώμων που μου δόθηκε η δυνατότητα να μοιραστώ σήμερα αυτό το ταξίδι μαζί σας.
19:08
Thank you.
414
1133000
2000
Σας ευχαριστώ.
19:10
(ApplauseΧειροκροτήματα)
415
1135000
8000
(Χειροκρότημα)
Translated by Kosmas Deligkaris
Reviewed by Mary Keramida

▲Back to top

ABOUT THE SPEAKER
Sebastian Seung - Computational neuroscientist
Sebastian Seung is a leader in the new field of connectomics, currently the hottest space in neuroscience, which studies, in once-impossible detail, the wiring of the brain.

Why you should listen

In the brain, neurons are connected into a complex network. Sebastian Seung and his lab at MIT are inventing technologies for identifying and describing the connectome, the totality of connections between the brain's neurons -- think of it as the wiring diagram of the brain. We possess our entire genome at birth, but things like memories are not "stored" in the genome; they are acquired through life and accumulated in the brain. Seung's hypothesis is that "we are our connectome," that the connections among neurons is where memories and experiences get stored.

Seung and his collaborators, including Winfried Denk at the Max Planck Institute and Jeff Lichtman at Harvard University, are working on a plan to thin-slice a brain (probably starting with a mouse brain) and trace, from slice to slice, each neural pathway, exposing the wiring diagram of the brain and creating a powerful new way to visualize the workings of the mind. They're not the first to attempt something like this -- Sydney Brenner won a Nobel for mapping all the 7,000 connections in the nervous system of a tiny worm, C. elegans. But that took his team a dozen years, and the worm only had 302 nerve cells. One of Seung's breakthroughs is in using advanced imagining and AI to handle the crushing amount of data that a mouse brain will yield and turn it into richly visual maps that show the passageways of thought and sensation.

More profile about the speaker
Sebastian Seung | Speaker | TED.com