TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins en "Cómo la ciencia del cerebro cambiará la computación."
Filmed:
Readability: 3.2
1,674,773 views
Creador del Treo, Jeff Hawkins, nos anima a ver el cerebro de una manera distinta -- no verla como un procesador veloz, si no como un sistema de memoria que almacena y reproduce experiencias para ayudarnos a predecir, de manera inteligente, que sucederá.
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio
Double-click the English transcript below to play the video.
00:25
I do two things: I design mobile computers and I study brains.
0
0
3000
Yo hago dos cosas, diseño computadora móviles y estudio cerebros.
00:29
And today's talk is about brains and,
1
4000
2000
Y la charla de hoy se trata de cerebros y,
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
¡Si! En algún lugar tengo un fan de cerebros.
00:33
(Laughter)
3
8000
2000
(Risas)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Voy a, si me pueden poner la primera diapositiva,
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
y verán el titulo de mi platica y mis dos afiliaciones.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Así que de lo que voy a hablar, es el porqué no tenemos una buena teoría acerca del cerebro,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
porque es importante que desarrollemos una y qué podemos hacer al respecto.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
Intentaré hacer eso en 20 minutos. Tengo dos afiliaciones.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
La mayoría de ustedes me conocen por mis días de Palm y Handspring
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
pero también administro un instituto de investigación científica sin fines de lucro.
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
llamado el Instituto Redwood de Neurociencia en Menlo Park,
00:59
and we study theoretical neuroscience,
12
34000
2000
y estudiamos neurociencia teórica,
01:01
and we study how the neocortex works.
13
36000
2000
y estudiamos como funciona la neo-corteza.
01:03
I'm going to talk all about that.
14
38000
2000
Voy a hablar acerca de todo eso.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Tengo sólo una diapositiva sobre mi otra vida, las computadoras, y es ésta.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Estos son algunos de los productos que desarrollé en los últimos 20 años,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
empezando desde la muy original laptop hasta algunas de las primeras computadoras de panel.
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
y así sucesivamente, hasta llegar recientemente al Treo.
01:17
and we're continuing to do this.
19
52000
2000
y continuamos haciendo ésto.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Y he hecho ésto porque realmente creo que la computación móvil
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
es el futuro de la computación personal, y estoy intentando hacer un mundo
01:24
a little bit better by working on these things.
22
59000
3000
un poco mejor, trabajando sobre estas cosas.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Pero esto fue, tengo que admitir, un accidente.
01:29
I really didn't want to do any of these products
24
64000
2000
Realmente no quise crear ninguno de estos productos
01:31
and very early in my career I decided
25
66000
2000
y muy temprano en mi carrera decidí
01:33
I was not going to be in the computer industry.
26
68000
3000
que no iba a estar en la industria de la computación.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Y antes de comentarles de todo eso, tengo que decirles
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
que esta pequeña imagen de graffiti que saqué de la red el otro día.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Estaba buscando una imagen de graffiti, un pequeño lenguaje de entrada de texto,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
y encontré el sitio web dedicado a maestros que quieren hacer estos,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
texto escrito en la parte superior de sus pizarrones,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
y le habían agregado graffiti, y lo lamento.
01:52
(Laughter)
33
87000
2000
(Risas)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Así que lo que pasó fue, que cuando era joven y terminé la escuela de ingeniería,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
Cornell en el 79, decidí, que trabajaría para Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Yo estaba en la industria de las computadoras y a los tres meses de eso,
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
me enamoré de otra cosa y dije, "Me equivoque de carrera aquí,"
02:10
and I fell in love with brains.
38
105000
3000
y me enamoré de los cerebros.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Esto no es un cerebro de verdad. Esto es una imagen de uno en arte lineal.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Pero no recuerdo exactamente como sucedió,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
pero tengo un recuerdo, que es bastante fuerte en mi mente.
02:22
In September 1979, Scientific American came out
42
117000
3000
En septiembre 1979, Scientific American (Revista) publicó
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
un número de un sólo tema acerca del cerebro. Y fue bastante bueno.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Fue uno de los mejores números publicados. Y escribieron sobre la neurona,
02:31
and development and disease and vision and all the things
45
126000
2000
el desarrollo, enfermedad, la visión y todas las cosas
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
que quisieras saber acerca de los cerebros. Esto fue bastante impresionante.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
Podemos tener la impresión de que sabemos mucho acerca del cerebro.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Pero el último articulo de ese numero fue escrito por Francis Crick de la fama ADN.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Hoy es, creo, el 50vo aniversario del descubrimiento del ADN.
02:46
And he wrote a story basically saying,
50
141000
2000
El escribió una nota que básicamente decía,
02:48
well, this is all well and good, but you know what,
51
143000
3000
bueno, que esto esta todo muy bien, pero saben que,
02:51
we don't know diddley squat about brains
52
146000
2000
no sabemos nada del cerebro£
02:53
and no one has a clue how these things work,
53
148000
2000
y nadie tiene idea de como funcionan estas cosas,
02:55
so don't believe what anyone tells you.
54
150000
2000
así que no crean nada de lo que les digan.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Este es una cita de lo que decía el articulo. Dijo, "Lo que se carece evidentemente"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
es un educado caballero Ingles asi que, "Lo que se carece evidentemente
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
es un extenso marco de refrencia sobre el cual interpretar los diferentes enfoques."
03:07
I thought the word framework was great.
58
162000
2000
Yo pensé que "marco de referencia" era excelente.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
No dijo que no tenemos siquiera una teoría. Dice,
03:11
we don't even know how to begin to think about it --
60
166000
2000
ni siquiera sabemos como empezar a pensar en ello --
03:13
we don't even have a framework.
61
168000
2000
ni siquiera tenemos un marco de referencia.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Estamos en los días del pre-paradigma si quieres usar a Thomas Kuhn.
03:18
And so I fell in love with this, and said look,
63
173000
3000
Así que me enamoré de esto y dije mira,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
Tenemos todo este conocimiento acerca de cerebros. ¿Qué tan difícil puede ser?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
Y esto es algo con lo que podemos trabajar durante mi vida. Sentí que podía hacer una diferencia,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
a si que intenté salirme del negocio del computo, y entrar al del cerebro.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Primero, fuí a MIT, el laboratorio de inteligencia artificial estaba ahí,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
y dije, bueno, también quiero crear máquinas inteligentes.
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
pero la manera que quiero hacerlo es estudiando cómo funciona el cerebro.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Ellos dijeron, no tienes que hacer eso.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Sólo vamos a programar computadoras, es todo lo que necesitamos hacer.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Y yo dije, no, realmente deberían estudiar cerebros. ellos dijeron, sabes que,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
estas mal. Y le dije no, ustedes están mal, y no me dejaron entrar.
03:48
(Laughter)
74
203000
1000
(Risas)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Pero estaba un poco decepcionado -- bastante joven, pero regrese
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
unos años después en California y fui a Berkeley.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Y dije, llegaré por el lado biológico.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Así que entré - al doctorado en Biofísica, y pensé, bien,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
Ya estoy estudiando cerebros, y dije, bien, quiero estudiar teoría.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Y ellos dijeron, oh no, no se puede estudiar teoría de cerebros.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Eso no es algo que se hace. No te dan fondos para hacer eso.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
Y como graduado, no puedes hacer eso. Así que dije, rayos.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Estaba muy deprimido. Dije, pero puedo hacer una diferencia en este campo.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Así que lo que hice fue regresar a la industria de las computadoras
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
y dije, bueno, tendré que trabajar aquí un tiempo, hacer algo.
04:20
That's when I designed all those computer products.
86
235000
3000
Eso es cuando diseñe todos esos productos de computadora.
04:23
(Laughter)
87
238000
1000
(Risas)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Y dije, quiero hacer esto cuatro años, ganar dinero,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
estaba formando una familia y maduraría un poco,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
y quizá el negocio de la neurociencia también maduraría un poco.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Bueno, tomó mas de cuatro años. Van como 16 años.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Pero ya lo estoy haciendo, y les voy a platicar al respecto.
04:39
So why should we have a good brain theory?
93
254000
3000
Así que ¿Por qué debemos tener una buena teoría cerebral?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Pues hay muchas razones por las que las personas hacen ciencia.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Una es -- la más básica -- es que nos gusta saber las cosas.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Somos curiosos, y salimos a buscar conocimiento, ¿cierto?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
¿Por qué estudiamos las hormigas? Pues, porque es interesante.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Quizá aprendamos algo realmente útil al respecto, pero es interesante y fascinante.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Pero a veces, una ciencia tiene otros atributos
04:57
which makes it really, really interesting.
100
272000
2000
que lo hacer verdaderamente interesante.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
A veces la ciencia nos dice algo al respecto de nosotros mismos,
05:02
it'll tell us who we are.
102
277000
1000
nos dice quienes somos.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Rara vez, tu sabes, la evolución hizo esto y Copernico hizo esto,
05:06
where we have a new understanding of who we are.
104
281000
2000
donde tenemos un nuevo entendimiento de que quienes somos.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Y finalmente, somos nuestros cerebros. Mi cerebro habla a tu cerebro.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Nuestros cuerpos están como pasajeros, pero mi cerebro habla con tu cerebro.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
Y si queremos entender quienes somos y como nos sentimos y percibimos,
05:18
we really understand what brains are.
108
293000
2000
realmente entenderemos que son los cerebros.
05:20
Another thing is sometimes science
109
295000
2000
Otra cosa es que a veces la ciencia
05:22
leads to really big societal benefits and technologies,
110
297000
2000
lleva a grandes beneficios para la sociedad y tecnología,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
o negocios, o lo que sea que salga de ello. Y esta es una de ella también,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
porque cuando entendemos como funcionan los cerebros, vamos a poder
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
construir máquinas inteligentes, y creo que en general eso es algo bueno,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
y va a tener beneficios tremendos para la sociedad
05:34
just like a fundamental technology.
115
309000
2000
como una tecnología fundamental
05:36
So why don't we have a good theory of brains?
116
311000
2000
Entonces ¿Por qué no tenemos una buena teoría de cerebros?
05:38
And people have been working on it for 100 years.
117
313000
3000
Y las personas llevan 100 años trabajando en ello.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Bueno, primero observemos como es la ciencia normal.
05:43
This is normal science.
119
318000
2000
Esto es ciencia normal.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
La ciencia normal tiene un buen balance entre la teoría y la experimentación.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Así que los teóricos dicen, buen, yo creo que esto es lo que está sucediendo,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
y los experimentales dicen, no, estas mal.
05:53
And it goes back and forth, you know?
123
328000
2000
Luego va y viene, sabes?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Esto funciona en la física, en la geología. Pero esto es ciencia normal,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
¿Cómo se ve la neurociencia? Así es como se ve la neurociencia.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Tenemos esta montaña de datos, que son anatomía, fisiología y comportamiento.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
No puedes imaginarte cuanto detalle tenemos sobre los cerebros.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Hubieron 28,000 personas que atendieron a la conferencia de neurociencia este año,
06:12
and every one of them is doing research in brains.
129
347000
2000
y cada uno de ellos esta haciendo investigaciones sobre el cerebro.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Son muchos datos. Pero no hay teoría. Hay este cuadro pequeña y débil encima.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Y la teoría no ha jugado un rol significativo en la neurociencia.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
Y esto es una lastima. ¿Por qué a sucedido esto?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Si le preguntas a un neurocientífico, ¿Por qué es este estado?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
En primera instancia lo admitirán. Pero si les preguntas, dirán,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
bueno, hay varias razones por las que no tenemos una buena teoría del cerebro.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Algunas personas dicen, bueno, aun no tenemos suficientes datos,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
necesitamos obtener más información, hay todas estas cosas que sabemos.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Bueno, acabo de decirte que hay datos saliendo hasta por las orejas.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Tenemos tanta información que no sabemos ni como empezar a organizarla.
06:45
What good is more going to do?
140
380000
2000
¿De qué nos va a servir mas información?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Quizá tengamos suerte y descubramos alguna solución mágica, pero lo dudo.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Esto es realmente un síntoma del hecho de que no tenemos una teoría.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
No necesitamos mas datos -- necesitamos una buena teoría al respecto.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Otra es que a veces las personas dicen, es que, los cerebros son tan complejos,
06:59
it'll take another 50 years.
145
394000
2000
que tomaría otros 50 años.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Incluso creo que Chris, dijo algo así ayer.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
No estoy seguro de lo que dijiste, Chris, pero fue algo como,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
bueno, es una de las cosas mas complicadas en el universo. Eso no es verdad.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Tu eres mas complicado que tu cerebro. Tienes un cerebro.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
También, aunque el cerbero se ve muy complicado,
07:12
things look complicated until you understand them.
151
407000
3000
las cosas se ven complicadas hasta que las entiendes.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Ese siempre es el caso. Así que todos podemos decir, bueno,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
mi neo-corteza, que es la parte del cerebro en la que estoy interesada tiene 30 mil millones de células.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Pero, ¿Sabes qué? Es muy, muy regular.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Es más, parece ser lo mismo repetido una y otra vez.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
No es tan complejo como parece. Ese no es el tema.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Algunas personas dicen, los cerebros no pueden entender cerebros.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Se escucha muy Zen. Wow. Tu sabes --
07:35
You know,
159
430000
1000
(Risas)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Se escucha bien, pero ¿Por qué? Es decir, ¿Cuál es el caso?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
Son sólo un montón de células. Entiendes tu hígado.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
También tiene muchas células, ¿Verdad?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Así que, tu sabes, no creo que tenga mucha validez eso.
07:46
And finally, some people say, well, you know,
164
441000
2000
Finalmente, algunas personas dicen, bueno,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
No me siento como un montón de células. Estoy conciente.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Tengo esta experiencia, estoy en el mundo.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
No puedo ser sólo un montón de células. Bueno,
07:56
people used to believe there was a life force to be living,
168
451000
3000
las personas antes creían que había una fuerza vital para pode vivir,
07:59
and we now know that's really not true at all.
169
454000
2000
y sabemos que eso no es realmente cierto para nada.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Y no hay evidencia que diga, bueno, a demás de que las personas
08:04
just have disbelief that cells can do what they do.
171
459000
2000
simplemente no creen que las células hacen lo que hacen.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Así que, si las personas han caído en el pozo del dualismo metafísico,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
algunas personas muy inteligentes, pero podemos rechazar todo eso.
08:12
(Laughter)
174
467000
2000
(Risas)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
No, no te voy a decir que hay algo mas,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
y realmente es fundamental y esto es lo que es:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
hay otra razón por la que no tenemos una buena teoría del cerebro,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
y es porque tenemos una intuitiva, y fuerte,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
pero incorrecta suposición que nos ha prevenido de ver la respuesta.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Hay algo que creemos que simplemente, es obvio, pero esta mal.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Hay una historia al respecto en la ciencia y antes que te diga cual es,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
Te voy a contar un poco al respecto de la historia de ello en la ciencia.
08:38
You look at some other scientific revolutions,
183
493000
2000
Si observas otras revoluciones científicas,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
y en este caso, estoy hablando del sistema solar, ése es Copernico,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
La evolución de Darwin, las placas tectónicas, ése es Wegner.
08:45
They all have a lot in common with brain science.
186
500000
3000
Y todos tienen mucho en común con la ciencia cerebral.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Antes que nada, tenían muchos datos inexplicables. Muchos.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Pero se volvió mucho más manejable una vez que tuvieron una teoría.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
Las mejores mentes estaban atoradas, personas muy, muy inteligentes.
08:57
We're not smarter now than they were then.
190
512000
2000
No somos mas inteligentes hoy de lo que ellos eran en ese entonces.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Simplemente resulta que es muy difícil pensar en las cosas,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
pero una vez que las has razonado, es fácil de entender.
09:03
My daughters understood these three theories
193
518000
2000
Mis hijas entendieron estas tres teorías
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
en su marco de referencia básica para cuando estaban en el Jardín de Niños.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Y ahora no es tan difícil, aquí hay una manzana, aquí una naranja,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
la tierra gira, y ese tipo de cosas.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Finalmente, otra cosa es que la respuesta siempre estuvo allí,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
pero la ignoramos por ser obvia, y ese es el punto.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Era una creencia intuitiva que estaba incorrecta.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
En el caso del Sistema Solar, la idea de que la tierra esta girando
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
y la superficie de la Tierra va como a mil kilómetros por hora,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
y que la Tierra va por el Sistema Solar a un millón de kilómetros por hora.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Es una locura. Todos sabemos que la Tierra no se esta moviendo.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
¿Tu sientes que te estas moviendo a miles de kilómetros por hora?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Por supuesto que no. Hubo alguien que dijo,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
que estaba girando en el espacio y que es inmenso,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
te encerrarían, y eso es lo que hacían en ese entonces.
09:41
(Laughter)
208
556000
1000
(Risas)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Así que fue intuitivo y obvio. ¿Y que tal la evolución?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
La evolución es lo mimo. Le enseñamos a nuestros hijos, pues, a Biblia dice,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
que Dios creo a todas las especies, gatos son gatos, perros son perros,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
personas son personas, plantas son plantas, no cambian.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noé los puso en el Arca en ese orden, blah, blah, blah. Y tu sabes,
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
el hecho es que, si crees en la evolución, todos tenemos un ancestro en común,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
y todo tenemos tenemos como ancestro común con la planta en la recepción.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Esto es lo que nos dice la evolución. Y es verdad. Es un poco increíble.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
Y es lo mismo con las placas tectónicas
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Todas las montañas y los continentes están como que flotando
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
encima de la Tierra. Esto como que no tiene sentido.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Así que ¿Cuál es la intuitiva pero incorrecta suposición,
10:20
that's kept us from understanding brains?
221
595000
2000
que ha evitado que entendamos el cerebro?
10:22
Now I'm going to tell it to you, and it's going to seem obvious that that is correct,
222
597000
2000
Ahora te lo voy a decir, y va a parecer tan obvio que es correcto,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
y ese el el punto, ¿No? Entonces voy a tener que hacer un argumento
10:26
why you're incorrect about the other assumption.
224
601000
2000
de porque es incorrecta la otra suposición.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
La cosa intuitiva pero obvia es que de alguna manera la inteligencia
10:31
is defined by behavior,
226
606000
2000
es definida por el comportamiento,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
que somos inteligentes por la manera en que hacemos las cosas
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
y la manera en que actuamos con inteligencia, y te voy a decir que eso esta mal.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Lo que es inteligencia esta definido por la predicción.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Y voy a llevarte a esto en unas pocas diapositivas,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
darte un ejemplo de lo que esto significa. Aquí hay un sistema.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
A los ingenieros les gusta ver a los sistemas de esta manera.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Dicen, bueno, tenemos esto en una caja y tenemos sus entradas y salidas.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Los de IA dicen, bueno la caja es una computadora programable
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
porque es el equivalente a un cerebro, le daremos entradas
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
y haremos que haga algo, tenga un comportamiento.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Y Alan Turing definió la prueba de Turing, que esencialmente dice,
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
sabremos que algo es inteligente si actúa idéntico a un humano,
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Una métrica de comportamiento de lo que es la inteligencia es,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
y esto se a pegado en nuestra mente por mucho tiempo.
11:12
Reality though, I call it real intelligence.
241
647000
2000
Pero la realidad, yo le llamo inteligencia real.
11:14
Real intelligence is built on something else.
242
649000
2000
La inteligencia real esta construida con algo mas.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Experimentamos el mundo por una secuencia de los patrones, y los almacenamos,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
y los recordamos. Cuando los recordamos, los comparamos
11:23
against reality, and we're making predictions all the time.
245
658000
4000
contra la realidad, y estamos haciendo predicciones todo el tiempo.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
Es una métrica eterna. Hay una métrica eterna cuando decimos,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
¿Entendemos el mundo? ¿Estoy haciendo predicciones? Etc...
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Todos están siendo inteligentes en este momento y no están haciendo nada.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Quizá te estés rascando, o escarbandote la nariz,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
No lo se, pero no estas haciendo nada en este momento,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
pero estas siendo inteligente, entiendes lo que estoy diciendo.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Porque eres inteligente y puedes hablar Español,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
sabes cuál es la palabra al final de este -- (silencio)
11:45
sentence.
254
680000
2000
enunciado.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
La palabra te llego, y estas haciendo estas predicciones todo el tiempo.
11:50
And then, what I'm saying is,
256
685000
2000
Y luego, lo que esto diciendo es,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
que esa eterna predicción es el resultado de la neo-corteza.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
Y de alguna manera, la predicción nos lleva a comportamiento inteligente.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
y así es que sucede. Empecemos con un cerebro sin inteligencia.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Bueno yo discuto un cerebro no inteligente, obtenemos un cerebro viejo,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
y vamos a decir que no es de un mamífero, como un reptil,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
así que diré, un lagarto, tenemos un lagarto.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Y el lagarto tiene unos sentidos muy sofisticados.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Tiene buenos ojos y oídos y sentido del tacto y así sucesivamente
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
una boca y una nariz. Y tiene un comportamiento muy complejo.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Puede correr y ocultarse. Tiene temores y emociones. Te puede comer, sabes.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Puede atacar. Puede hacer muchas cosas.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Pero no consideramos al lagarto muy inteligente, no como un humano al menos.
12:32
But it has all this complex behavior already.
269
727000
2000
Pero ya tiene todo este comportamiento complejo.
12:34
Now, in evolution, what happened?
270
729000
2000
Ahora, en la evolución, ¿Qué sucedió?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Lo primero que paso en la evolución con los mamiferos
12:39
we started to develop a thing called the neocortex.
272
734000
2000
es que empezamos a desarrollar la neo-corteza.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Y voy a representar a la neo-corteza aquí,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
por esta caja que se encuentra encima del cerebro viejo.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Neo-corteza significa nueva capa. Es una nueva capa sobre tu cerebro.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Si no lo sabes es esa cosa arrugada en la parte superior de tu cabeza que,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
se arrugo porque fue retacada ahí y no cabe.
12:54
(Laughter)
278
749000
1000
(Risas)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
No, en serio, es lo que es. Tiene el tamaño de una servilleta de mesa.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
Y no cabe, asi que se arruga. Ahora ve lo que he dibujado, esto aquí.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
El cerebro viejo sigue ahi. Aún tienes ese cerebro de lagarto.
13:04
You do. It's your emotional brain.
282
759000
2000
Ahí esta. Es tu cerebro emocional.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Es todas esas cosas, y reacciones espontaneas que tienes.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Encima de ello, tenemos este sistema de memoria llamado la neo-corteza.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
Y el sistema de memoria esta sobre la parte sensorial del cerebro.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Así que conforme entra la parte sensorial y alimenta desde el viejo cerebro,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
También sube a la neo-corteza. Y la neo-corteza es simplemente memorización.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Esta ahí diciendo, ah, voy a memorizar todas las cosas que suceden,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
dónde he estado, personas que he visto, cosas que he escuchado, así sucesivamente.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
Y en el futuro, cuando ve algo similar a eso de nuevo,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
en un ambiente similar, o el mismo ambiente,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
lo reproduce. Empieza a reproducirlo.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Oh, ya he estado aquí antes. Y cuando he estado aquí antes,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
esto sucedió después. Te permite predecir el futuro.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Te permite; literalmente retroalimenta las señales a tu cerebro,
13:47
they'll let you see what's going to happen next,
296
802000
2000
te permiten ver qué es lo que sucederá después,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
te permitirá escuchar la palabra enunciado aun antes que lo dijera.
13:52
And it's this feeding back into the old brain
298
807000
3000
Y es esta retroalimentación al cerebro viejo
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
que te permite tomar decisiones más inteligentes.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Ésta es la mas importante diapositiva de mi platica, así que haré hincapié en ella.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Así que, todo el tiempo dices, oh, puedo predecir cosas.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Y si eres una rata puedes recorrer un laberinto, y luego te lo puedes aprender,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
la próxima vez que estés en el laberinto, tendrás el mismo comportamiento,
14:10
but all of a sudden, you're smarter
304
825000
2000
pero repentinamente, eres mas inteligente
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
porque dices, oh, reconozco este laberinto, y sé en que dirección ir,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
He estado aquí antes, y puedo visualizar el futuro. Y eso es lo que está haciendo.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
En humanos, por cierto, esto es verdad en todos los mamíferos,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
esto es verdad para otros mamíferos, y en humanos, se puso peor.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
En humanos, desarrollamos la parte frontal de la neo-corteza.
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
llamada la parte anterior de la neocorteza. Y la naturaleza hizo un pequeño truco.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Copió la parte posterior, la de atrás, que es sensorial,
14:32
and put it in the front part.
312
847000
2000
y la puso en el frente
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Los humanos tenemos de manera única el mismo mecanismo al frente,
14:36
but we use it for motor control.
314
851000
2000
pero o usamos para control motriz.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Así que ahora podemos hacer planeación motriz muy sofisticada, y cosas así.
14:41
I don't have time to get into all this, but if you want to understand how a brain works,
316
856000
3000
No tengo tiempo de entrar en detalle, pero si quieres entender como funciona el cerebro,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
tienes que entender cómo funciona la primera parte de la neo-corteza del mamífero,
14:47
how it is we store patterns and make predictions.
318
862000
2000
cómo es que almacenamos patrones y hacemos predicciones.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Así que permítem dar algunos ejemplos de predicciones.
14:52
I already said the word "sentence." In music,
320
867000
2000
Ya dije la palabra enunciados. En música,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
si has escuchado una canción antes, si escuchaste a Jill cantar esas canciones antes,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
cuando las cante, la siguiente nota salta a nuestra cabeza de antemano --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
lo anticipas conforme sigues adelante. Si fuese un álbum musical.
15:02
the end of one album, the next song pops into your head.
324
877000
3000
al final de una canción, la siguiente canción te llega a la mente.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
Y estas cosas suceden todo el tiempo. Estás haciendo predicciones.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Yo tengo esta cosa llamada el experimento de la puerta alterada.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
Y el experimento de la puerta alterada dice, tienes una puerta en casa,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
y cuando estas aqui, yo estoy cambiándolo, tengo un señor
15:16
back at your house right now, moving the door around,
329
891000
2000
en tu casa en este momento moviendo la puerta,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
y va a tomar la perilla y la moverá dos pulgadas.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Y cuando llegues a casa esta noche vas a extender tu mano,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
y vas a extender tu mano hacia la perilla y vas a notar
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
que esta en el lugar equivocado, y dirás, oye, algo paso.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Puede que te tome un segundo averiguar que fue, pero algo paso.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Ahora podira cambiar tu puerta en otras maneras.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Puedo hacerla más grande o chica, puedo cambiarla de bronce a plata,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
Puedo poner una palanca. Puedo cambiar tu puerta, ponerle colores,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
Puedo ponerle ventanas. Puedo cambiar miles de cosas de tu puerta,
15:38
and in the two seconds you take to open your door,
339
913000
2000
y en los dos segundos que te toma abrir tu puerta,
15:40
you're going to notice that something has changed.
340
915000
3000
vas a notar que algo ha cambiado
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Ahora, la manera ingenieril de aproximar esto, la manera IA de aproximarlo,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
es construir una base de datos de puertas. Tiene todos los atributos de puertas.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
Y conforme te acercas a la puerta,recorremos lista una por una.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Puerta, puerta, puerta, tu sabes, color, tu sabes lo que digo.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
No hacemos eso. Tu cerebro no hace eso.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Lo que tu cerebro esta haciendo es predicciones constantes todo el tiempo
15:57
about what is going to happen in your environment.
347
932000
2000
acerca de lo que va a pasar en tu ambiente.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Conforme pongo mi mano en esta mesa, espero sentir que se detenga.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Cuando camino, cada paso, si fallo por 5 milímetros,
16:05
I'll know something has changed.
350
940000
2000
Yo sabre que algo ha cambiado.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Estas constantemente haciendo predicciones acerca de tu entorno.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Hablaré brevemente acerca de la visión. Esta es la imagen de una mujer.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Y cuando ves a las personas, tus ojos están analizando
16:14
over at two to three times a second.
354
949000
1000
puntos de dos a 3 veces por segundo.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
No estas consciente de eso, pero tus ojos siempre están en movimiento.
16:17
And so when you look at someone's face,
356
952000
2000
Así que cuando ves la cara de alguien,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
comúnmente recorres de ojo a ojo a ojo a nariz a boca.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Ahora, cuando tus ojos se mueven de ojo a ojo,
16:23
if there was something else there like, a nose,
359
958000
2000
si hubiera algo diferente ahí como una nariz,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
verías una nariz donde se supone debe haber un ojo,
16:27
and you'd go, oh shit, you know --
361
962000
3000
y dirías, mierda, tu sabes --
16:30
(Laughter)
362
965000
1000
(Risas)
16:31
There's something wrong about this person.
363
966000
2000
Hay algo mal con esta persona.
16:33
And that's because you're making a prediction.
364
968000
2000
Y es porque estas haciendo una predicción.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
No es como si vieras y dijeras, ¿Qué estoy viendo?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Una nariz, esta bien. No, tienes una expectativa de lo que vas a ver.
16:40
(Laughter)
367
975000
1000
(Risas)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
En cada momento. Y finalmente, pensemos acerca de cómo probamos la inteligencia.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
La probamos por medio de la predicción. ¿Cuál es la siguiente palabra en este, tu sabes?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Esto es a esto como esto es a esto. ¿Cuál es el siguiente número en este enunciado?
16:51
Here's three visions of an object.
371
986000
2000
Aquí hay tres vistas de un objeto.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
¿Cuál es la cuarta? Así es como lo probamos. Se trata de predicciones.
16:57
So what is the recipe for brain theory?
373
992000
3000
Así que ¿Cuál es la receta para una teoría del cerebro?
17:00
First of all, we have to have the right framework.
374
995000
3000
Antes que nada, tenemos que tener el marco de referencia correcto.
17:03
And the framework is a memory framework,
375
998000
2000
Y el marco es un marco de memoria,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
no un marco de comportamiento o cómputo. Es un marco de memoria.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
¿Cómo almacenas y recuerdas estas secuencias o patrones? Son patrones espacio-temporales.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Entonces, si en ese marco, tomas un montón de teóricos.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Los biólogos por lo general no son buenos teóricos.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
No siempre es verdad, pero en general, no hay buena historia de teoría en la biología.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Así que encontré que es mejor trabajar con físicos,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
ingenieros y matemáticos, que tienden a pensar de manera algorítmica,
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Entonces ellos tiene que aprender la anatomía y luego aprender la fisiología.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Tienes que hacer que estas teorías sean muy realistas en términos anatómicos.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Cualquiera que se pone de pie y te cuenta su teoría de como funciona el cerebro
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
y no te dice exactamente como funciona dentro del cerebro
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
y como funciona el cableado dentro del cerebro, no es una teoría.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Y eso es lo que estamos haciendo en el Instituto Redwood Neuroscience.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Me encantaría tener mas tiempo para contarte del avance fantástico que tenemos en ello,
17:48
and I expect to be back up on this stage,
390
1043000
2000
y espero estar de regreso en este estrado,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
quizá esto será en un futuro no muy lejano para que te cuente al respecto.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Estoy muy, muy emocionado. Esto no va a tomar 50 años.
17:55
So what will brain theory look like?
393
1050000
2000
Así que ¿Cómo será la teoría cerebral?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Antes que nada, tiene que ser una teoría respecto a la memoria.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
No como la memoria de computadora. No es nada como la memoria de computadora.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Es muy distinta. Y es una memoria de estos
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
patrones dimensionales, como las cosas que vienen de tus ojos.
18:07
It's also memory of sequences.
398
1062000
2000
Es también memoria de secuencias.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
No puedes aprender o recordar algo fuera de secuencia.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Una canción debe ser escuchada en secuencia en el tiempo,
18:14
and you must play it back in sequence over time.
401
1069000
3000
y debes reproducirla en secuencia en el tiempo.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
Y estas secuencias son recordadas auto-asociadas, así que si veo algo,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
Escucho algo, me recuerda a ello, y se reproduce automáticamente.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
Es una reproducción automática. La predicción del futuro gestiona el resultado deseado.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Y como dije, la teoría debe ser biológicamente acertada,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
debe ser comprobable, y debes poderlo reconstruir.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Si no lo construyes, no lo entiendes. Así que una diapositiva mas aquí.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
¿En qué va a resultar esto? ¿Realmente vamos a construir maquinas inteligentes?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Por supuesto. Y va a ser diferente de como creen las personas.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
No hay duda alguna en mi mente de que va a suceder.
18:47
First of all, it's going to be built up, we're going to build the stuff out of silicon.
411
1102000
4000
Antes que nada, va a escalarse, vamos a construirlo de silicio.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Las mismas técnicas que usamos para construir memorias de computadora de silicio,
18:54
we can use for here.
413
1109000
1000
las podemos usar para esto.
18:55
But they're very different types of memories.
414
1110000
2000
Pero son memorias muy distintas.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
Y vamos a conectar esas memorias a sensores,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
y a los sensores los expondremos a datos de la vida real,
19:02
and these things are going to learn about their environment.
417
1117000
2000
y estas cosas van a aprender de su entorno.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Ahora es muy poco probable que las primeras cosas que veas sean como robots.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
No que los robots no sean útiles y las personas pueden construir robots.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Pero la parte robótica es la parte más difícil. Es el cerebro antiguo. Eso es realmente difícil.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
El nuevo cerebro es realmente más fácil que el cerebro viejo.
19:16
So the first thing we're going to do are the things that don't require a lot of robotics.
422
1131000
3000
Así que lo primero que vamos a hacer son aquellas que no requieren mucha robótica.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Asi que no veras a C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Verás cosas como autos inteligentes
19:23
that really understand what traffic is and what driving is
425
1138000
3000
que realmente entienden lo que es el tráfico y lo que es manejar
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
y han aprendido que cierto tipo de auto con la direccional encendida por medio minuto
19:29
probably aren't going to turn, things like that.
427
1144000
2000
probablemente no van a dar vuelta, cosas así.
19:31
(Laughter)
428
1146000
1000
(Risas)
19:32
We can also do intelligent security systems.
429
1147000
2000
También podemos hacer sistemas de seguridad inteligentes.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Donde sea que estemos usando nuestro cerebro, pero no haya mucha mecánica.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Éstas son las cosas que van a suceder primero.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Pero en última instancia, el mundo es nuestro limite.
19:42
I don't know how this is going to turn out.
433
1157000
2000
No se como vaya a salir esto.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Conozco muchas personas que inventaron el microprocesador
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
y si hablas con ellos, sabían que lo que hacían era muy significativo,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
pero ellos no sabían realmente lo que iba a pasar.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
No podían anticipar celulares y el Internet y ese tipo de cosas.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Simplemente sabían que, oye, vamos a construir calculadoras
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
y controladores de semáforos. Pero va a ser grande.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
De la misma manera, es como la ciencia del cerebro y estas memorias
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
van a ser una tecnologia fundamental, y nos va a llevar
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
a cambios increíbles en los próximos 100 años.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Y estoy muy emocionado de como vamos a usarlos en la ciencia.
20:16
So I think that's all my time, I'm over it, and I'm going to end my talk
444
1191000
3000
Así que creo que es todo mi tiempo, ya me pase, voy a terminar mi platica
20:19
right there.
445
1194000
1000
ahí mismo.
ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcherJeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.
Why you should listen
Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.
Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.
Jeff Hawkins | Speaker | TED.com