TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen habla sobre un ordenador que funciona como el cerebro
Filmed:
Readability: 4.2
718,375 views
El investigador Kwabena Boahen está buscando formas de copiar la potencia de super-computación del cerebro sobre silicio -- ya que los procesos complejos y redundantes que ocurren en nuestras cabezas realmente crean un pequeño, ligero y super-rápido computador
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Tuve mi primer ordenador siendo un adolescente que crecía en Accra,
00:23
and it was a really cool device.
1
5000
3000
y era realmente un aparato increíble.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Podías jugar con él, programar en BASIC.
00:31
And I was fascinated.
3
13000
2000
Y yo estaba fascinado.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Así que fui a la biblioteca para entender cómo funcionaba esa cosa.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Leí cómo la CPU está constantemente moviendo datos de un lado a otro
00:44
between the memory, the RAM and the ALU,
6
26000
4000
entre la memoria, la RAM y la ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
la unidad de aritmética y lógica.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
Y pensé, esta CPU realmente tiene que trabajar como loca
00:54
just to keep all this data moving through the system.
9
36000
4000
sólo para mantener todos estos datos moviéndose por el sistema.
00:58
But nobody was really worried about this.
10
40000
3000
Pero nadie estaba realmente preocupado por esto.
01:01
When computers were first introduced,
11
43000
2000
Cuando se presentaron por primera vez los computadores,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
se dijo que eran un millón de veces más rápidos que las neuronas.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
Todos estaban realmente entusiasmados, pensaron que pronto sobrepasarían
01:11
the capacity of the brain.
14
53000
3000
la capacidad del cerebro.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Esta es una cita, realmente, de Alan Turing:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"Dentro de 30 años, será igual de fácil preguntarle algo a un ordenador,
01:21
as to ask a person."
17
63000
2000
como a una persona."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
La cita es de 1946. Ahora, en 2007, todavía no es cierta.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
La cuestión es, ¿por qué no estamos realmente viendo
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
esta capacidad en los ordenadores que sí vemos en el cerebro?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Lo que nadie se da cuenta, y yo estoy empezando a descubrir ahora
01:42
is that we pay a huge price for the speed
22
84000
2000
es que pagamos un alto precio por la velocidad,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
que afirmamos es una gran ventaja de estos ordenadores.
01:48
Let's take a look at some numbers.
24
90000
2000
Echemos un vistazo a algunos números.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Éste es Blue Gene, el ordenador más rápido del mundo.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Tiene 120.000 procesadores; pueden procesar
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 mil billones de bits de información por segundo.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Eso es un 10 elevado a la potencia de 16. Entre todos ellos consumen un megavatio y medio de potencia.
02:09
So that would be really great, if you could add that
29
111000
3000
Sería genial si se pudiese añadir esa cantidad
02:12
to the production capacity in Tanzania.
30
114000
2000
a la producción eléctrica de Tanzania.
02:14
It would really boost the economy.
31
116000
2000
Realmente daría un impulso a la economía.
02:16
Just to go back to the States,
32
118000
4000
Pero volviendo a los Estados Unidos,
02:20
if you translate the amount of power or electricity
33
122000
2000
si equiparas la cantidad de potencia eléctrica
02:22
this computer uses to the amount of households in the States,
34
124000
3000
que ese ordenador emplea con la consumida por un hogar en Estados Unidos,
02:25
you get 1,200 households in the U.S.
35
127000
4000
obtienes 1.200 hogares,
02:29
That's how much power this computer uses.
36
131000
2000
esa es la cantidad de energía que ese ordenador consume.
02:31
Now, let's compare this with the brain.
37
133000
3000
Ahora, comparémoslo con el cerebro.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Esto es una fotografía del cerebro de la novia de Rory Sayre.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory es un estudiante de postgrado en Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
El estudia el cerebro usando resonancias magnéticas, y afirma que
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
éste es el cerebro más bello que ha escaneado.
02:48
(Laughter)
42
150000
2000
(Risas)
02:50
So that's true love, right there.
43
152000
3000
Eso es auténtico amor, aquí.
02:53
Now, how much computation does the brain do?
44
155000
3000
Ahora bien, ¿cuánto es capaz de procesar el cerebro?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Estimo que 10 elevado a la 16 bits por segundo
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
lo que es equivalente a la potencia de Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
Así que esa es la interrogante. ¿Qué tan similar
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
son ambas potencias de procesamiento, ambas cantidades de datos
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
la cuestión es ¿cuánta energía o electricidad consume el cerebro?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Realmente, es la misma que la que consume un ordenador portátil.
03:15
it's just 10 watts.
51
177000
2000
Sólo 10 Vatios.
03:17
So what we are doing right now with computers
52
179000
3000
Así que lo que ahora hacemos con ordenadores,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
con la energía consumida por 1.200 casas,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
el cerebro lo está haciendo con la energía consumida por un portátil.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Así que la cuestión es, ¿cómo es capaz el cerebro de conseguir esa eficiencia?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Permitidme que resuma. En la línea inferior:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
el cerebro procesa la información usando 100.000 veces menos energía
03:37
than we do right now with this computer technology that we have.
58
199000
4000
que la que utiliza la tecnología actual de computadores.
03:41
How is the brain able to do this?
59
203000
2000
¿Cómo es capaz el cerebro de conseguir esto?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Echemos un vistazo a cómo funciona el cerebro
03:46
and then I'll compare that with how computers work.
61
208000
4000
para luego compararlo con cómo funcionan los ordenadores.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Esta escena es de la serie de la PBS "La vida secreta del cerebro".
03:54
It shows you these cells that process information.
63
216000
3000
Muestra esas células que procesan información.
03:57
They are called neurons.
64
219000
1000
Se llaman neuronas.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Se envían pequeños pulsos de electricidad entre ellas,
04:04
and where they contact each other, those little pulses
66
226000
2000
y cuando se alcanzan, esos pequeños pulsos
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
de electricidad pueden pasar de una neurona a otra.
04:08
That process is called a synapse.
68
230000
3000
Ese proceso se llama sinapsis.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Está esa gran red de células interactuando entre ellas,
04:13
about 100 million of them,
70
235000
2000
alrededor de 100 millones de ellas,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
enviando cerca de diez mil billones de esos pulsos cada segundo.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Y eso es básicamente lo que está pasando en tu cerebro mientras ves esto.
04:25
How does that compare with the way computers work?
73
247000
2000
¿Cómo es éso respecto a la forma de trabajar de los ordenadores?
04:27
In the computer, you have all the data
74
249000
2000
En un ordenador, todos los datos
04:29
going through the central processing unit,
75
251000
2000
pasan a través de la unidad central de proceso,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
y cualquier dato tiene que pasar a través de ese cuello de botella.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Mientras que en el cerebro, lo que se tiene son esas neuronas
04:38
and the data just really flows through a network of connections
78
260000
4000
y los datos simplemente fluyen a través de la red de conexiones
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
entre las neuronas, no hay cuellos de botella aquí.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Es una red de trabajo o network en el sentido literal de las palabras.
04:48
The net is doing the work in the brain.
81
270000
4000
La red hace el trabajo dentro del cerebro.
04:52
If you just look at these two pictures,
82
274000
2000
Si miráis estas dos imágenes,
04:54
these kind of words pop into your mind.
83
276000
2000
esas palabras aparecen en vuestra mente.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Eso es en serie y es rígido: como los coches en una autopista --
05:00
everything has to happen in lockstep --
85
282000
3000
todo tiene que suceder a un ritmo prefijado.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Sin embargo, esto es paralelo y es fluido.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
El procesado de la información es muy dinámico y adaptativo.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Yo no soy el primero en darse cuenta de esto. Esta es una cita de Brian Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"El problema con los ordenadores es que no hay suficiente África en ellos."
05:16
(Laughter)
90
298000
6000
(Risas)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian realmente dijo esto en 1995.
05:25
And nobody was listening then,
92
307000
3000
Y nadie le estaba escuchando entonces,
05:28
but now people are beginning to listen
93
310000
2000
pero ahora la gente ha empezado a escuchar
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
porque hay un problema tecnológico acuciante al que nos tenemos que enfrentar.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Os daré una introducción en las próximas transparencias.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Esto es -- Hay realmente una convergencia clara
05:44
between the devices that we use to compute in computers,
97
326000
5000
entre los dispositivos que usamos para calcular en ordenadores
05:49
and the devices that our brains use to compute.
98
331000
4000
y los dispositivos que nuestros cerebros emplean para calcular.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Los dispositivos que usan los ordenadores son llamados transistores.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Este electrodo de aquí, llamado puerta, controla el flujo de corriente
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
desde la fuente hasta el drenaje, estos dos electrodos.
06:04
And that current, electrical current,
102
346000
2000
Y la corriente, la corriente eléctrica,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
es llevada por los electrones, exactamente igual que en vuestra casa y en cualquier dispositivo.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Y lo que ocurre es que, cuando enciendes la puerta,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
obtienes un incremento en la cantidad de corriente, y consigues un flujo constante.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
Y cuando se apaga la puerta, no hay flujo a través del dispositivo.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Los ordenadores utilizan la presencia de corriente para representar un uno,
06:30
and the absence of current to represent a zero.
108
372000
4000
y la ausencia para representar un cero.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Ahora bien, lo que está pasando es que los transistores se están haciendo cada vez más pequeños,
06:40
they no longer behave like this.
110
382000
2000
y ya no se comportan así.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
De hecho, están empezando a comportarse como el dispositivo que utilizan las neuronas para calcular.
06:47
which is called an ion channel.
112
389000
2000
que se llama canal de iones.
06:49
And this is a little protein molecule.
113
391000
2000
Esta es una pequeña molécula de proteína.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Es decir, las neuronas tienen miles de ellas.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Y se sitúa en la membrana de la celda y tiene un poro en ella.
06:59
And these are individual potassium ions
116
401000
3000
Y estos son iones aislados de potasio,
07:02
that are flowing through that pore.
117
404000
2000
que fluyen a través de ese poro.
07:04
Now, this pore can open and close.
118
406000
2000
Ahora bien, ese poro se puede abrir y cerrar.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Pero, cuando está abierto, debido a que esos iones tienen que alinearse
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
y pasar de uno en uno, se consigue un esporádico, inconstante --
07:16
it's a sporadic flow of current.
121
418000
3000
un flujo de corriente esporádico.♫
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
E, incluso cuando cierras el poro -- cosa que las neuronas pueden hacer,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
pueden abrir y cerrar esos poros para generar la actividad eléctrica --
07:27
even when it's closed, because these ions are so small,
124
429000
3000
incluso cuando está cerrado, debido a que los iones son tan pequeños,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
pueden colarse, unos pocos pueden colarse de vez en cuando.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Así que, lo que ocurre es que, cuando el poro está abierto,
07:36
you get some current sometimes.
127
438000
2000
tienes una corriente intermitente.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Esos son los unos, pero llevan unos pocos ceros.
07:41
And when it's closed, you have a zero,
129
443000
4000
Y cuando está cerrado, se tiene un cero,
07:45
but you have a few ones thrown in.
130
447000
3000
pero con unos pocos unos, ¿de acuerdo?
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Ahora bien, esto está empezando a pasar en los transistores.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Y la razón por la que ocurre es que, ahora mismo en 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
con la tecnología que estamos usando, un transistor es tan grande,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
que varios electrones pueden fluir a través del canal de forma simultánea, uno junto al otro.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
De hecho, pueden pasar alrededor de 12 electrones.
08:09
And that means that a transistor corresponds
136
471000
2000
Y eso significa que a cada transistor le corresponde,
08:11
to about 12 ion channels in parallel.
137
473000
3000
alrededor de 12 canales de iones en paralelo.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Ahora bien, en unos pocos años, por el 2015, habremos reducido el tamaño de los transistores mucho.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Eso es lo que hace Intel para seguir añadiendo más núcleos en el chip,
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
o en los lápices de memoria que ya pueden almacenar hasta un gigabyte
08:27
of stuff on them -- before, it was 256.
141
489000
2000
de cosas -- anteriormente fueron 256.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Los transistores tienen que ser más pequeños para permitirlo,
08:32
and technology has really benefitted from that.
143
494000
3000
y la tecnología se ha beneficiado de esto.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Pero lo que está pasando es que en el 2015, los transistores van a ser tan pequeños,
08:40
that it corresponds to only one electron at a time
145
502000
3000
que sólo un electrón
08:43
can flow through that channel,
146
505000
2000
podrá pasar por el canal en cada momento,
08:45
and that corresponds to a single ion channel.
147
507000
2000
y eso corresponde a un canal de iones individual.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Y empiezas a tener el mismo tipo de atasco de tráfico que tienes en el canal de iones,
08:51
The current will turn on and off at random,
149
513000
3000
la corriente se encenderá y apagará aleatoriamente,
08:54
even when it's supposed to be on.
150
516000
2000
incluso cuando se espera que esté encendida.
08:56
And that means your computer is going to get
151
518000
2000
Y eso significa que el computador va tener
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
sus unos y ceros mezclados, y eso va a bloquear la máquina.
09:02
So, we are at the stage where we
153
524000
4000
Así que, estamos en un momento en el que
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
no sabemos realmente cómo calcular con ese tipo de dispositivos.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
Y la única cosa, lo único que sabemos que ahora mismo
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
puede calcular con ese tipo de dispositivos, es el cerebro.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Ok, entonces un ordenador lee un dato de la memoria,
09:19
it sends it into the processor or the ALU,
158
541000
3000
lo envía al procesador o a la UAL,
09:22
and then it puts the result back into memory.
159
544000
2000
y luego pone el resultado en memoria.
09:24
That's the red path that's highlighted.
160
546000
2000
Ese es el camino rojo marcado.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
En la forma en la que trabaja el cerebro, tienes todas esas neuronas.
09:30
And the way they represent information is
162
552000
2000
Y la forma en la que representan información consiste en
09:32
they break up that data into little pieces
163
554000
2000
romper los datos en pequeños trozos
09:34
that are represented by pulses and different neurons.
164
556000
3000
que son representados por los pulsos y las diferentes neuronas.
09:37
So you have all these pieces of data
165
559000
2000
Así que tienes todos los trozos de datos
09:39
distributed throughout the network.
166
561000
2000
distribuidos por la red.
09:41
And then the way that you process that data to get a result
167
563000
3000
Y luego, la manera en la que se procesan los datos para conseguir el resultado
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
es que se traduce ese patrón de actividad en un nuevo patrón de actividad,
09:48
just by it flowing through the network.
169
570000
3000
sencillamente haciéndolo fluir por la red.
09:51
So you set up these connections
170
573000
2000
Así que preparas todas esas conexiones,
09:53
such that the input pattern just flows
171
575000
3000
de manera que el patrón de entrada fluya
09:56
and generates the output pattern.
172
578000
2000
y genere el patrón de salida.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Lo que se observa es que hay estas conexiones redundantes.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Así que, si este trozo de datos o este trozo de datos se corrompen,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
no se transmite aquí, estos dos trozos pueden activar la parte perdida
10:11
with these redundant connections.
176
593000
2000
con estas conexiones redundantes.
10:13
So even when you go to these crappy devices
177
595000
2000
Así que, cuando analizas estos dispositivos horribles,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
donde a veces quieres un uno y obtienes un cero,
10:18
there's redundancy in the network
179
600000
2000
existe esta redundancia en la red
10:20
that can actually recover the missing information.
180
602000
3000
que realmente puede recuperar la información perdida.
10:23
It makes the brain inherently robust.
181
605000
3000
Esto hace al cerebro inherentemente robusto.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Lo que tenemos aquí es un sistema que almacena los datos de forma local.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Y es frágil, porque cada uno de los pasos tiene que ser perfecto,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
de otra manera, se perderían los datos. Sin embargo, en el cerebro, se tiene un sistema
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
que almacena los datos de forma distribuida, y es robusto.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Lo que quiero fundamentalmente es hablar de mi sueño,
10:44
which is to build a computer that works like the brain.
187
626000
3000
que consiste en construir un computador que trabaje como el cerebro.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Es algo en lo que hemos estado trabajando el últimopar de años.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Y voy a mostrarles el sistema que hemos diseñado
10:54
to model the retina,
190
636000
3000
para modelar la retina,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
que es la parte del cerebro dentro del globo ocular.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
No lo hemos hecho escribiendo código, como se haría en un computador.
11:08
In fact, the processing that happens
193
650000
3000
De hecho, el proceso que ocurre
11:11
in that little piece of brain is very similar
194
653000
2000
en esa pequeña parte del cerebro es muy similar
11:13
to the kind of processing that computers
195
655000
1000
al tipo de procesamiento que los computadores
11:14
do when they stream video over the Internet.
196
656000
4000
realizan cuando envían vídeo por Internet.
11:18
They want to compress the information --
197
660000
1000
Se quiere comprimir la información --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
sólo quieren enviar los cambios respecto a la imagen anterior, etc.
11:23
and that is how your eyeball
199
665000
3000
y así es como el globo ocular
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
es capaz de comprimir toda la información hacia el nervio óptico,
11:29
to send to the rest of the brain.
201
671000
2000
para enviar lo que queda al cerebro.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
En vez de hacer esto por software, o realizando ese tipo de algoritmos,
11:34
we went and talked to neurobiologists
203
676000
3000
fuimos a hablar con neurobiólogos
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
que habían realmente realizado ingeniería inversa sobre ese trozo del cerebro llamado retina.
11:41
And they figured out all the different cells,
205
683000
2000
Y habían resuelto todas las diferentes células,
11:43
and they figured out the network, and we just took that network
206
685000
3000
y habían resuelto la red y, sencillamente, tomamos esa red
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
y la usamos como plano para diseñar un chip de silicio.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Así que ahora las neuronas están representadas por pequeños nodos o circuitos en el chip,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
y las conexiones entre las neuronas estàn modeladas por transistores
12:01
And these transistors are behaving essentially
210
703000
2000
Y esos transistores se están comportando esencialmente
12:03
just like ion channels behave in the brain.
211
705000
3000
como los canales de iones se comportan en el cerebro.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Èsto os darà el mismo tipo de arquitectura robusta que describí.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Así es como se ve nuestro ojo artificial.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
El chip de retina que diseñamos se encuentra detrás de esta lente de aquí.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Y el chip -- Voy a mostraros un vídeo
12:22
that the silicon retina put out of its output
216
724000
3000
de la salida de la retina de silicio
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
cuando estaba mirando a Kareem Zaghloul,
12:28
who's the student who designed this chip.
218
730000
2000
que es el estudiante que diseñó el chip.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Dejadme que os explique lo que se verá, de acuerdo.
12:32
because it's putting out different kinds of information,
220
734000
3000
Ya que está sacando distintos tipos de información,
12:35
it's not as straightforward as a camera.
221
737000
2000
no es tan sencillo como una cámara.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
El chip de retina extrae cuatro tipos diferentes de información.
12:40
It extracts regions with dark contrast,
223
742000
3000
Extrae regiones de contraste oscuro,
12:43
which will show up on the video as red.
224
745000
3000
que se mostrará en el vídeo como rojo.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Y extrae regiones de blancos o contraste claro,
12:50
which will show up on the video as green.
226
752000
2000
que se mostrará en el vídeo como verde.
12:52
This is Kareem's dark eyes
227
754000
2000
Estos son los ojos oscuros de Kareem
12:54
and that's the white background that you see here.
228
756000
3000
y esto es el fondo blanco que veis aquí.
12:57
And then it also extracts movement.
229
759000
2000
Y luego también extrae movimiento.
12:59
When Kareem moves his head to the right,
230
761000
2000
Cuando Kareem mueve su cabeza hacia la derecha,
13:01
you will see this blue activity there;
231
763000
2000
veréis esta actividad azul aquí,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
representa las regiones donde el contraste están incrementándose en la imagen,
13:06
that's where it's going from dark to light.
233
768000
3000
que es donde vamos de oscuro a claro.
13:09
And you also see this yellow activity,
234
771000
2000
Y también se puede ver esta actividad amarilla de aquí,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
que representa las regiones donde el contraste está disminuyendo,
13:15
it's going from light to dark.
236
777000
2000
va de claro a oscuro.
13:17
And these four types of information --
237
779000
3000
Y estos cuatro tipos de información --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
el nervio óptico tiene alrededor de un millón de fibras,
13:24
and 900,000 of those fibers
239
786000
3000
y 900.000 de esas fibras
13:27
send these four types of information.
240
789000
2000
envían estos cuatro tipos de información.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Así que realmente estamos duplicando el tipo de señales que tenemos en el nervio óptico.
13:33
What you notice here is that these snapshots
242
795000
3000
Lo que se observa aquì es que estas imágenes
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
tomadas de la salida del chip de retina son muy dispersas.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
No se muestra verde por todas partes del fondo,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
sòlo en los bordes, etc...
13:45
And this is the same thing you see
246
807000
1000
Y esta es lo mismo que se ve
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
cuando se comprime vídeo para enviar: se quiere hacer muy disperso,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
porque así el archivo es más pequeño. Y eso es lo que hace la retina,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
y lo está haciendo sólo con la circuitería, y como trabaja esta red de neuronas
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
que interactúan aquí, que nosotros hemos capturado en un chip.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Me gustaría resaltar, lo mostraré aquí.
14:03
So this image here is going to look like these ones,
252
825000
3000
Èsta imagen aquì se muestrarà como éstas,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
pero aquí os mostraré que la imagen se puede reconstruir,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
así que, casi se puede reconocer a Kareem en esta parte superior.
14:13
And so, here you go.
255
835000
2000
Aquí está.
14:24
Yes, so that's the idea.
256
846000
3000
Sí, esta es la idea.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Cuando estás quieto, se ven los contrastes claros y oscuros.
14:29
But when it's moving back and forth,
258
851000
2000
Pero cuando se mueve adelante y atrás,
14:31
the retina picks up these changes.
259
853000
3000
la retina detecta estos cambios.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Y eso es por lo que, sabéis, cuando estáis sentados aquí
14:35
and something happens in your background,
261
857000
2000
y algo ocurre en el fondo,
14:37
you merely move your eyes to it.
262
859000
2000
simplemente se mueven los ojos ahí.
14:39
There are these cells that detect change
263
861000
2000
Están estas celdas que detectan cambios
14:41
and you move your attention to it.
264
863000
2000
y mueves tu atención a ello.
14:43
So those are very important for catching somebody
265
865000
2000
Esto es muy importante para detectar a alguien
14:45
who's trying to sneak up on you.
266
867000
2000
que está intentando acercarse sigilosamente.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Terminaré diciendo que esto es lo que ocurre
14:50
when you put Africa in a piano, OK.
268
872000
3000
cuando pones África en un piano ¿de acuerdo?
14:53
This is a steel drum here that has been modified,
269
875000
3000
Esto es un tambor de acero que ha sido modificado
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
y esto es lo que ocurre cuando pones África en un piano.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
Y lo que nos gustaría hacer es poner África en un computador
15:03
and come up with a new kind of computer
272
885000
2000
y acabar con un nuevo tipo de ordenador
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
que creará pensamiento, imaginación, será creativo y cosas así.
15:08
Thank you.
274
890000
2000
Gracias
15:10
(Applause)
275
892000
2000
(Aplausos)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson: Una pregunta, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Si piensas en la unión del trabajo que estás haciendo,
15:18
the future of Africa, this conference --
278
900000
3000
el futuro de África, esta conferencia --
15:21
what connections can we make, if any, between them?
279
903000
3000
¿qué conexiones pueden hacerse, si es posible, entre ellas?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen: Sí, como dije al principio.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Tuve mi primer ordenador siendo un adolescente que crecía en Accra.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
Y tuve esa reacción visceral de que esa era la manera errónea de hacerlo.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Era todo fuerza bruta, poco elegante.
15:37
I don't think that I would've had that reaction,
284
919000
2000
No creo que hubiese tenido esa reacción
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
si hubiese crecido leyendo toda esa ciencia ficción,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
oyendo sobre RD2D2, cómo se llame, y sólo -- ya sabes,
15:46
buying into this hype about computers.
287
928000
1000
creyéndome todas las noticias sobre los ordenadores.
15:47
I was coming at it from a different perspective,
288
929000
2000
Yo me acerqué al problema desde una perspectiva diferente,
15:49
where I was bringing that different perspective
289
931000
2000
y traje mi diferente perspectiva
15:51
to bear on the problem.
290
933000
2000
para relacionarme con el problema.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Y creo que mucha gente en África tiene esta diferente perspectiva,
15:56
and I think that's going to impact technology.
292
938000
2000
y creo que eso va a impactar en la tecnología.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
Y eso va a impactar en su evolución.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
Creo que podréis ver, usar esa mezcla,
16:02
to come up with new things,
295
944000
2000
para conseguir cosas nuevas,
16:04
because you're coming from a different perspective.
296
946000
3000
porque se viene de una perspectiva diferente.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Creo que podemos contribuir, podemos soñar como todos los demás.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Gracias Kwabena, ha sido muy interesante.
16:13
Thank you.
299
955000
1000
Gracias.
16:14
(Applause)
300
956000
2000
(Aplausoss)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com