TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
کوابنا بوهن: کامپیوتری که مانند مغز کار می‌کند
Filmed:
Readability: 4.2
718,375 views
کوابنا بوهن محقق، به دنبال راهی است تا قدرت فوق‌العاده کامپیوتری مغز را در سیلیکون تقلید کند--به خاطر فرایندهای آشفته همراه با افزونگی، داخل سرهای ما درواقع کامپیوتر کوچک، سبک، بسیارسریع را ایجاد می‌کند.
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
هنگامی که نوجوان بودم اولین کامپیوترم
را در آکرا(پایتخت غنا) گرفتم،
را در آکرا(پایتخت غنا) گرفتم،
00:23
and it was a really cool device.
1
5000
3000
و دستگاه بسیار جذابی بود.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
می‌توانستید با آن بازی کنید. می‌توانستید
به زبان پایه آن را برنامه‌‌ریزی کنید.
به زبان پایه آن را برنامه‌‌ریزی کنید.
00:31
And I was fascinated.
3
13000
2000
و من مجذوب آن شده بودم.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
پس به کتابخانه رفتم تا بفهمم کامپیوتر
چگونه کار می‌کند.
چگونه کار می‌کند.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
من خواندم که پردازنده چگونه داده‌ها را
دایما به این سو و آن سو جابجا می‌کند.
دایما به این سو و آن سو جابجا می‌کند.
00:44
between the memory, the RAM and the ALU,
6
26000
4000
بین حافظه داخلی، واحد RAM و واحد ALU،
00:48
the arithmetic and logic unit.
7
30000
2000
واحد حسابی و منطقی.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
و با خودم فکر کردم، این پردازنده
باید دیوانه وار کار کند
باید دیوانه وار کار کند
00:54
just to keep all this data moving through the system.
9
36000
4000
تا همه این داده‌ها را درون سیستم
جابجا کند.
جابجا کند.
00:58
But nobody was really worried about this.
10
40000
3000
اما هیچکس نگران این موضوع نبود.
01:01
When computers were first introduced,
11
43000
2000
هنگامی که کامپیوترها
برای اولین بار معرفی شدند،
برای اولین بار معرفی شدند،
01:03
they were said to be a million times faster than neurons.
12
45000
3000
گفته شد که میلیون‌ها بار سریع تر از
نورون‌ها هستند.
نورون‌ها هستند.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
مردم هیجان‌زده بودند.
فکر می‌کردند که به زودی می‌توانند
فکر می‌کردند که به زودی می‌توانند
01:11
the capacity of the brain.
14
53000
3000
از ظرفیت مغز پیشی بگیرند.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
این درواقع، یک نقل قول، ازآلان تورینگ است:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
«در ۳۰ سال آینده، سوال پرسیدن
از یک کامپیوتر آسان‌تر
از یک کامپیوتر آسان‌تر
01:21
as to ask a person."
17
63000
2000
از انسان خواهد بود.»
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
این مربوط به سال ۱۹۴۶ بود. و الان
در ۲۰۰۷، همچنان این حرف درست نیست.
در ۲۰۰۷، همچنان این حرف درست نیست.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
پس، سوال این است که،
چرا ما واقعا قدرتی را که
چرا ما واقعا قدرتی را که
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
در مغز می‌بینیم، در کامپیوترها نمی‌بینیم؟
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
چیزی که مردم آن را درک نکردند،
و من تازه شروع به فهمیدن آن کردم،
و من تازه شروع به فهمیدن آن کردم،
01:42
is that we pay a huge price for the speed
22
84000
2000
این است که ما هزینه زیادی
برای سرعت می‌پردازیم
برای سرعت می‌پردازیم
01:44
that we claim is a big advantage of these computers.
23
86000
4000
که ادعا می‌کنیم مزیتی بزرگ
برای این کامپیوترها است.
برای این کامپیوترها است.
01:48
Let's take a look at some numbers.
24
90000
2000
بیایید نگاهی به ارقام بیندازیم.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
این بلوجین است، سریع ترین
کامپیوتر در دنیا.
کامپیوتر در دنیا.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
۱۲۰ هزار پردازنده دارد که می‌توانند
01:59
10 quadrillion bits of information per second.
27
101000
3000
ده کوادریلیون بیت اطلاعات را درثانیه
پردازش کنند.
پردازش کنند.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
که برابر ۱۰ به توان ۱۶است. همچنین
آنها یک ونیم مگاوات برق مصرف می‌کنند.
آنها یک ونیم مگاوات برق مصرف می‌کنند.
02:09
So that would be really great, if you could add that
29
111000
3000
پس بسیار عالی خواهد بود، اگر می‌توانستیم
02:12
to the production capacity in Tanzania.
30
114000
2000
آن را به ظرفیت تولید تانزانیا اضافه کنیم.
02:14
It would really boost the economy.
31
116000
2000
این کامپیوتر می‌تواند اقتصاد را جلو ببرد.
02:16
Just to go back to the States,
32
118000
4000
حالا برگردیم به ایالات‌ها،
02:20
if you translate the amount of power or electricity
33
122000
2000
اگرشما مقدار انرژی یا الکتریسیته مصرفی
رایانه‌ها را به
رایانه‌ها را به
02:22
this computer uses to the amount of households in the States,
34
124000
3000
به میزان خانواده‌ها
در ایالت‌ها تبدیل کنید،
در ایالت‌ها تبدیل کنید،
02:25
you get 1,200 households in the U.S.
35
127000
4000
مصرف الکتریسته آن برابر ۱۲۰۰
خانوار را خواهید داشت.
خانوار را خواهید داشت.
02:29
That's how much power this computer uses.
36
131000
2000
این مقدار برقی است که این رایانه
استفاده می‌کند.
استفاده می‌کند.
02:31
Now, let's compare this with the brain.
37
133000
3000
حالا بیایید این را با مغز مقایسه کنیم.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
این تصویر، درواقع مغز دوست دختر
روری سایرس است
روری سایرس است
02:39
Rory is a graduate student at Stanford.
39
141000
2000
روری دانش آموخته استانسفورد است
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
او مغز را با استفاده از MRI مطالعه می‌کند
و او ادعا می‌کند که
و او ادعا می‌کند که
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
این زیباترین مغزی است که او تا به
حال اسکن کرده است
حال اسکن کرده است
02:48
(Laughter)
42
150000
2000
(خنده حضار)
02:50
So that's true love, right there.
43
152000
3000
این یک عشق حقیقی است، درست اینجا.
02:53
Now, how much computation does the brain do?
44
155000
3000
مغز چه مقدار محاسبه انجام می‌دهد؟
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
تخمین می‌زنم که ده تا شانزده
بایت در ثانیه،
بایت در ثانیه،
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
که در واقع شبیه به کاری است که
بلو جین انجام می‌دهد.
بلو جین انجام می‌دهد.
03:02
So that's the question. The question is, how much --
47
164000
2000
خب سوال این است چه مقدار--
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
پردازش مشابه را انجام می‌دهند؟
مقدار اطلاعات مشابه --
مقدار اطلاعات مشابه --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
سوال این است مغز چه مقدار انرژی
یا الکتریسیته استفاده می‌کند؟
یا الکتریسیته استفاده می‌کند؟
03:12
And it's actually as much as your laptop computer:
50
174000
3000
در واقع به اندازه لب‌تاپ شماست.
03:15
it's just 10 watts.
51
177000
2000
فقط ده وات است،
03:17
So what we are doing right now with computers
52
179000
3000
آنچه که امروزه با کامپیوترها
انجام می‌دهیم
انجام می‌دهیم
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
با انرژی که توسط ۱٫۲۰۰ خانه‌ها مصرف شده،
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
مغز با انرژی که توسط لپ‌تاب‌تان
مصرف می کرد انجام می‌دهد.
مصرف می کرد انجام می‌دهد.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
خب سوال این است که مغز چطور به این
میزان کارآمدی دست پیدا می‌کند؟
میزان کارآمدی دست پیدا می‌کند؟
03:31
And let me just summarize. So the bottom line:
56
193000
2000
واجازه دهید در یک خط خلاصه کنم:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
مغز اطلاعات را ۱۰۰،۰۰۰بار با
انرژی کمتر از
انرژی کمتر از
03:37
than we do right now with this computer technology that we have.
58
199000
4000
تکنولوژی رایانه‌هایی که داریم
پردازش می‌کند.
پردازش می‌کند.
03:41
How is the brain able to do this?
59
203000
2000
مغز چگونه قادر به انجام این کار است؟
03:43
Let's just take a look about how the brain works,
60
205000
3000
بیاید راجع به این که مغز چطور کار می‌کند
نگاهی بکنیم.
نگاهی بکنیم.
03:46
and then I'll compare that with how computers work.
61
208000
4000
ومن کار آن را با عملکرد مغز مقایسه
خواهم کرد.
خواهم کرد.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
خب این کلیپی از مجموعه‌ي PBS
از "زندگی پنهانی مغز" است.
از "زندگی پنهانی مغز" است.
03:54
It shows you these cells that process information.
63
216000
3000
به شما سلول‌ها را نشان می‌دهد
که اطلاعات را پردازش می‌کنند.
که اطلاعات را پردازش می‌کنند.
03:57
They are called neurons.
64
219000
1000
آنها را نورون می‌نامند.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
آنها مقداری جریان الکتریسیته ضعیف را برای
پردازش به همدیگر می‌فرستند،
پردازش به همدیگر می‌فرستند،
04:04
and where they contact each other, those little pulses
66
226000
2000
و جایی که با هم تماس پیدا می‌کنند،
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
آن جریان الکتریسیته می‌تواند از نورون دیگر
به دیگری منتقل شوند.
به دیگری منتقل شوند.
04:08
That process is called a synapse.
68
230000
3000
این فرایند سیناپس نامیده می‌شود.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
شما این شبکه عظیمی ازسلول‌ها را
در ارتباط با یکدیگر--
در ارتباط با یکدیگر--
04:13
about 100 million of them,
70
235000
2000
در مورد ۱۰۰ میلیون از آنها دارید،
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
که حدود ده کوادریلیون را در
هر ثانیه می‌فرستد.
هر ثانیه می‌فرستد.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
و اساسا در مغزتان در حال انجام است،
الان که این را می‌بینید.
الان که این را می‌بینید.
04:25
How does that compare with the way computers work?
73
247000
2000
حال چگونه با کار رایانه‌ها مقایسه می‌شود؟
04:27
In the computer, you have all the data
74
249000
2000
در رایانه‌ها شما اطلاعاتی دارید
04:29
going through the central processing unit,
75
251000
2000
که از میان یک بخش پردازشگر عبور می‌کند،
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
و هر قسمت از داده‌ها اساسا باید از
آن گلوگاه عبور کند،
آن گلوگاه عبور کند،
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
درحالی که در مغز آنچه دارید در
سلول‌های عصبی است،
سلول‌های عصبی است،
04:38
and the data just really flows through a network of connections
78
260000
4000
و داده‌ها فقط از طریق یک شبکه از ارتباطات
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
بین نورون جریان می‌یابد،
اینجا گذرگاهی نیست.
اینجا گذرگاهی نیست.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
این واقعا یک شبکه به معنای واقعی کلمه است.
04:48
The net is doing the work in the brain.
81
270000
4000
شبکه کار را در مغز انجام می‌دهد.
04:52
If you just look at these two pictures,
82
274000
2000
اگر شما به این دو تصویر نگاه کنید،
04:54
these kind of words pop into your mind.
83
276000
2000
این نوع از لغات به ذهن شما خطور می‌کند.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
این سریال است و سخت است--شبیه
ماشین در بزرگراه است.
ماشین در بزرگراه است.
05:00
everything has to happen in lockstep --
85
282000
3000
همه چیز باید مرحله به مرحله اتفاق بیفتد--
05:03
whereas this is parallel and it's fluid.
86
285000
2000
در حالی که موازی است و روان.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
پردازش اطلاعات بسیار پویا و انطباقی است.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
خب من اولین نفر نیستم که این را فهمیده است
این یک نقل قول از براون انو است:
این یک نقل قول از براون انو است:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
«مشکل رایانه‌ها این است که به اندازه کافی
در آنها افریقایی نیست.»
در آنها افریقایی نیست.»
05:16
(Laughter)
90
298000
6000
(خنده حضار)
05:22
Brian actually said this in 1995.
91
304000
3000
براون درواقع در سال ۱۹۹۵ این را گفت.
05:25
And nobody was listening then,
92
307000
3000
و هیچ کس گوش نمی‌داد،
05:28
but now people are beginning to listen
93
310000
2000
اما حالا افراد شروع به گوش دادن می‌کنند
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
زیرا یک مشکل فشرده و فنی وجود دارد
که ما با آن مواجه هستیم.
که ما با آن مواجه هستیم.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
که فقط دراسلایدهای بعدی تعداد کمی از
آن را می‌گویم.
آن را می‌گویم.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
در واقع -- این همگرایی قابل توجه بین
دستگاه‌هایی است
دستگاه‌هایی است
05:44
between the devices that we use to compute in computers,
97
326000
5000
که برای محاسبه کردن در رایانه
استفاده می‌کنیم،
استفاده می‌کنیم،
05:49
and the devices that our brains use to compute.
98
331000
4000
و وسیله‌هایی که مغز ما برای محاسبه کردن
استفاده می‌کند.
استفاده می‌کند.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
دستگاه‌هایی که کامپیوتر استفاده می‌کنند
همان چیزی است که ترانزیستور نامیده می‌شود.
همان چیزی است که ترانزیستور نامیده می‌شود.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
الکترودی که اینجاست دریچه نامیده می‌شود
جریان را از منبع
جریان را از منبع
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
به این دو الکترود کنترل می‌کند.
06:04
And that current, electrical current,
102
346000
2000
و این جریان، جریان الکتریکی
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
توسط الکترون‌ها حمل می‌شود،.درست در منزل
شما و به همین ترتیب.
شما و به همین ترتیب.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
و چیزی که شما اینجا دارید وقتی
که دریچه را باز می‌کنید،
که دریچه را باز می‌کنید،
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
شما مقدار جریان را افزایش می‌دهید،
و جریان دایمی پایدار را دریافت می‌کنید.
و جریان دایمی پایدار را دریافت می‌کنید.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
و وقتی دریچه را می‌بندید،
جریانی در داخل دستگاه وجود ندارد.
جریانی در داخل دستگاه وجود ندارد.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
رایانه شما از این حضور جریان برای
نشان دادن یک استفاده می‌کند،
نشان دادن یک استفاده می‌کند،
06:30
and the absence of current to represent a zero.
108
372000
4000
و فقدان جریان صفر را نشان می‌دهد.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
آنچه که اتفاق می‌افتد این است که همان طور
که ترانزیستورها کوچکتر می‌شوند،
که ترانزیستورها کوچکتر می‌شوند،
06:40
they no longer behave like this.
110
382000
2000
دیگر این چنین رفتار نمی‌کنند.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
در واقع، آنها مانند دستگاهی که نورون‌ها
برای محاسبه استفاده می‌کنند رفتار می‌کنند،
برای محاسبه استفاده می‌کنند رفتار می‌کنند،
06:47
which is called an ion channel.
112
389000
2000
که کانال یون نامیده می‌شود.
06:49
And this is a little protein molecule.
113
391000
2000
این مقدار کمی مولکول پروتئین است.
06:51
I mean, neurons have thousands of these.
114
393000
4000
منظورم این است که نورون‌ها هزاران
برابر این را دارند.
برابر این را دارند.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
و آن در غشای سلول قرار می‌گیرد
و در آن منافذ ایجاد می‌کند.
و در آن منافذ ایجاد می‌کند.
06:59
And these are individual potassium ions
116
401000
3000
واین یون‌های پتاسیم تکی هستند
07:02
that are flowing through that pore.
117
404000
2000
که از طریق منفذ در عبور هستند،
07:04
Now, this pore can open and close.
118
406000
2000
حالا این منافذ می‌تواند باز یا بسته شود
07:06
But, when it's open, because these ions have to line up
119
408000
5000
اما زمانی که باز است چون که این یون‌ها
باید در خطوط قرار بگیرند
باید در خطوط قرار بگیرند
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
واز آن عبور کنند هربار به نوعی پراکنده
دارید نه دائم --
دارید نه دائم --
07:16
it's a sporadic flow of current.
121
418000
3000
این یک جریان پراکنده است.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
و حتی زمانی که منفذ را می‌بندید --
که نورون‌ها می‌توانند انجام دهند،
که نورون‌ها می‌توانند انجام دهند،
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
آنها می‌توانند این دریچه‌ها را باز یا
ببندند تا فعالیت الکتریکی تولید کنند.
ببندند تا فعالیت الکتریکی تولید کنند.
07:27
even when it's closed, because these ions are so small,
124
429000
3000
حتی زمانی که بسته می‌شود به علت این
که یون‌ها بسیارکوچک هستند،
که یون‌ها بسیارکوچک هستند،
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
آنها می‌توانند درواقع مخفیانه حرکت کنند.
تعداد کمی می‌توانند عبور کنند.
تعداد کمی می‌توانند عبور کنند.
07:33
So, what you have is that when the pore is open,
126
435000
3000
خب چیزی که شما دارید این است که
زمانی که دریچه‌ها باز هستند،
زمانی که دریچه‌ها باز هستند،
07:36
you get some current sometimes.
127
438000
2000
شما گاهی اوقات تعدادی جریان خواهید داشت.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
اینها یک‌های شما هستند، اما شما صفرها را
بیرون انداختید.
بیرون انداختید.
07:41
And when it's closed, you have a zero,
129
443000
4000
اما زمانی که بسته می‌شوند،
شما صفر را دارید،
شما صفر را دارید،
07:45
but you have a few ones thrown in.
130
447000
3000
اما تعداد کمی یک به بیرون دادید.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
این شروع در ترانزیستور اتفاق می‌افتد.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
و دلیل اتفاق این است که
اکنون در سال۲۰۰۷ --
اکنون در سال۲۰۰۷ --
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
تکنولوژی که ما استفاده می‌کنیم -- یک
ترانزیستور به اندازه کافی بزرگ است
ترانزیستور به اندازه کافی بزرگ است
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
که چند الکترون می‌توانند از طریق کانال
همزمان کنار هم جریان داشته باشند.
همزمان کنار هم جریان داشته باشند.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
حدود ۱۲ میلیون الکترون هست که همه
می‌توانند به این طریق جریان داشته باشند.
می‌توانند به این طریق جریان داشته باشند.
08:09
And that means that a transistor corresponds
136
471000
2000
و به این معنی است که یک ترانزیستور
08:11
to about 12 ion channels in parallel.
137
473000
3000
به طور موازی به ۱۲کانال یونی متصل است.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
حالا در چند سال گذشته تا ۲۰۱۵
ترانزیستورها را خیلی کم خواهیم کرد.
ترانزیستورها را خیلی کم خواهیم کرد.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
این همان چیزی است که اینتل برای اضافه کردن
هسته‌های بیشتر به تراشه ادامه می‌دهد.
هسته‌های بیشتر به تراشه ادامه می‌دهد.
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
یا حافظه شما نگه می‌دارد که اکنون
می‌توانید یک گیگابایت اطلاعاتی
می‌توانید یک گیگابایت اطلاعاتی
08:27
of stuff on them -- before, it was 256.
141
489000
2000
را در مورد آنها حمل کنید --
قبلا، ۲۵۶ بود.
قبلا، ۲۵۶ بود.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
ترانزیستورها کوچکتر می‌شوند تا این
اتفاق بیفتد.
اتفاق بیفتد.
08:32
and technology has really benefitted from that.
143
494000
3000
و فناوری واقعا از آن سود برده است.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
اما آنچه که الان درحال وقوع است این است که
در ۲۰۱۵ ترانزیستورها دارند کوچکتر شوند،
در ۲۰۱۵ ترانزیستورها دارند کوچکتر شوند،
08:40
that it corresponds to only one electron at a time
145
502000
3000
که تنها یک الکترون در یک زمان می‌تواند
08:43
can flow through that channel,
146
505000
2000
از طریق آن کانال جریان یابد،
08:45
and that corresponds to a single ion channel.
147
507000
2000
وآن پاسخگوی کانال یونی منفرد است.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
و شما این چنین فشردگی ترافیکی که در
کانال یونی هست را دارید.
کانال یونی هست را دارید.
08:51
The current will turn on and off at random,
149
513000
3000
جریان به طور دلخواه باز و بسته خواهد شد.
08:54
even when it's supposed to be on.
150
516000
2000
حتی هنگامی که قرار است روشن باشد.
08:56
And that means your computer is going to get
151
518000
2000
و بدین معنی است که کامپیوتر شما
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
صفر و یک را همزمان دارد و می‌خواهد
ماشین شما را خراب کند.
ماشین شما را خراب کند.
09:02
So, we are at the stage where we
153
524000
4000
پس ما در مرحله‌ای هستیم
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
که واقعا نمی‌دانیم که چگونه این نوع
وسیله‌ها را محاسبه کنیم.
وسیله‌ها را محاسبه کنیم.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
و تنها چیزی که الان می‌دانیم --
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
که می‌توانند این نوع از وسیله‌ها را
محاسبه کنند مغزها هستند
محاسبه کنند مغزها هستند
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
خب کامپیوتر بخش‌های خاصی از اطلاعات را
از حافظه انتخاب می‌کند،
از حافظه انتخاب می‌کند،
09:19
it sends it into the processor or the ALU,
158
541000
3000
وآن را به پردازشگرALU ارسال می‌کند،
09:22
and then it puts the result back into memory.
159
544000
2000
و اطلاعات را به حافظه بر می‌گرداند.
09:24
That's the red path that's highlighted.
160
546000
2000
آن مسیر قرمز رنگ و سایه روشن است.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
راهی که مغزها کار می‌کنند، من به همه
شما گفتم، همه شما این نورون‌ها را دارید.
شما گفتم، همه شما این نورون‌ها را دارید.
09:30
And the way they represent information is
162
552000
2000
و راهی که اطلاعات را نمایش می‌دهند،
این است
این است
09:32
they break up that data into little pieces
163
554000
2000
داده را به تکه‌های کوچک تجزیه می‌کنند
09:34
that are represented by pulses and different neurons.
164
556000
3000
که توسط پالس‌ها ونورون‌های مختلف
نمایش داده می‌شود.
نمایش داده می‌شود.
09:37
So you have all these pieces of data
165
559000
2000
پس شما همه این قسمت‌های داده‌ها
09:39
distributed throughout the network.
166
561000
2000
را ازطریق شبکه توزیع می‌کنید.
09:41
And then the way that you process that data to get a result
167
563000
3000
و سپس راهی که شما داده‌ها را
پردازش می‌کنید که به نتیجه برسید
پردازش می‌کنید که به نتیجه برسید
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
این است که شما این الگوهای فعالیت را
به الگوهای فعالیت جدید ترجمه کنید.
به الگوهای فعالیت جدید ترجمه کنید.
09:48
just by it flowing through the network.
169
570000
3000
از راه شبکه جاری کنید.
09:51
So you set up these connections
170
573000
2000
پس شما این ارتباطات را راه‌اندازی می‌کنید
09:53
such that the input pattern just flows
171
575000
3000
به طوری که الگوی ورودی فقط جریان می‌یابد
09:56
and generates the output pattern.
172
578000
2000
و الگوی خروجی تولید می‌شود.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
آنچه در اینجا می‌بینید این است که
این اتصالات بیش از حد وجود دارد.
این اتصالات بیش از حد وجود دارد.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
بنابراین اگر این قطعه داده یا این
قطعه از داده‌ها خراب شود،
قطعه از داده‌ها خراب شود،
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
آن را در اینجا نشان نمی‌دهد، این دو قطعه
می‌تواند بخش گمشده را
می‌تواند بخش گمشده را
10:11
with these redundant connections.
176
593000
2000
با این اتصالات بیرونی فعال کند.
10:13
So even when you go to these crappy devices
177
595000
2000
پس حتی زمانی که به سمت این دستگاه‌های
جادویی می‌روید
جادویی می‌روید
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
که در آن گاهی اوقات یک را می‌خواهید
وچیزی دریافت نمی‌کنید.
وچیزی دریافت نمی‌کنید.
10:18
there's redundancy in the network
179
600000
2000
افزونگی در شبکه وجود دارد.
10:20
that can actually recover the missing information.
180
602000
3000
که در واقع می‌تواند اطلاعات ازدست رفته را
بازیابی کند.
بازیابی کند.
10:23
It makes the brain inherently robust.
181
605000
3000
این مغز به طور ذاتی قوی است.
10:26
What you have here is a system where you store data locally.
182
608000
3000
آنچه اینجا دارید سیستمی است که
داده‌ها را به صورت محلی ذخیره می‌کنید.
داده‌ها را به صورت محلی ذخیره می‌کنید.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
و شکننده است زیرا هر یک از این مراحل
باید بی‌عیب و نقص باشد.
باید بی‌عیب و نقص باشد.
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
در غیر این صورت اطلاعات را از دست
می‌دهید، در حالی که در مغز،
می‌دهید، در حالی که در مغز،
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
سیستمی دارید که داده‌ها را به صورت
توزیع شده ذخیره می‌کند و قدرتمند است.
توزیع شده ذخیره می‌کند و قدرتمند است.
10:40
What I want to basically talk about is my dream,
186
622000
4000
انچه که اساسا می‌خواهم راجع به آن صحبت کنم
رویای من است،
رویای من است،
10:44
which is to build a computer that works like the brain.
187
626000
3000
که ساختن کامپیوتری است که مانند مغز
کار کند.
کار کند.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
این چیزی است که طی چند سال گذشته روی آن
کار کرده‌ایم.
کار کرده‌ایم.
10:51
And I'm going to show you a system that we designed
189
633000
3000
و قصد دارم به شما سیستمی که برای
10:54
to model the retina,
190
636000
3000
طراحی شبکیه طراحی کرده‌ایم را نشان دهم.
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
که قطعه‌ای از مغز است که در داخل چشم
قرار دارد.
قرار دارد.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
ما این کار را با نوشتن کد انجام ندادیم مثل
چیزی که شما در کامپیوتر انجام می‌دهید.
چیزی که شما در کامپیوتر انجام می‌دهید.
11:08
In fact, the processing that happens
193
650000
3000
درحقیقت پردازش‌هایی که در آن قسمت کوچکی
11:11
in that little piece of brain is very similar
194
653000
2000
از مغز اتفاق می‌افتد بسیار شبیه
نوع پردازش
نوع پردازش
11:13
to the kind of processing that computers
195
655000
1000
کامپیوتری است
11:14
do when they stream video over the Internet.
196
656000
4000
که هنگام پخش ویدئو در
اینترنت انجام می‌شود.
اینترنت انجام می‌شود.
11:18
They want to compress the information --
197
660000
1000
آنها قصد فشرده سازی اطلاعات را دارند --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
آنها فقط می‌خواهند تغییرات را ارسال کنند،
آنچه که جدید است در این تصویرو --
آنچه که جدید است در این تصویرو --
11:23
and that is how your eyeball
199
665000
3000
و این است که چشمان شما
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
قادر به گنجاندن تمام اطلاعات به عصب
بینایی شما است،
بینایی شما است،
11:29
to send to the rest of the brain.
201
671000
2000
برای ارسال به بقیه مغز.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
به جای انجام این کار در نرم افزار یا انجام
این نوع الگوریتم‌ها،
این نوع الگوریتم‌ها،
11:34
we went and talked to neurobiologists
203
676000
3000
ما رفتیم و با متخصصان نوروفیزیولوژی
صحبت کردیم
صحبت کردیم
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
که در واقع معکوس آن قسمت از مغز را که
شبکیه نامیده می‌شود، طراحی کرده‌اند.
شبکیه نامیده می‌شود، طراحی کرده‌اند.
11:41
And they figured out all the different cells,
205
683000
2000
و آنها همه سلول‌های مختلف را تشخیص دادند،
11:43
and they figured out the network, and we just took that network
206
685000
3000
شبکه را تشخیص دادند، و ما فقط آن
شبکه را گرفتیم
شبکه را گرفتیم
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
و از طرح آن برای طراحی یک سیلیکون
استفاده کردیم.
استفاده کردیم.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
پس در حال حاضر نورون‌ها توسط گره‌ها یا
مدارهای کوچک روی تراشه نشان داده می‌شوند،
مدارهای کوچک روی تراشه نشان داده می‌شوند،
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
وارتباطات میان نورون‌ها نشان داده،
درواقع با ترانزیستورها نمایش داده شده است.
درواقع با ترانزیستورها نمایش داده شده است.
12:01
And these transistors are behaving essentially
210
703000
2000
واین ترانزیستورها اساسا درست مثل رفتار
12:03
just like ion channels behave in the brain.
211
705000
3000
کانال‌های یونی در مغز رفتار می‌کنند.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
این به شما یک نوع از معماری قوی را که من
شرح دادم نشان می‌دهد.
شرح دادم نشان می‌دهد.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
اینجا درواقع چشمان مصنوعی ما به نظر
می‌رسد.
می‌رسد.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
تراشه شبکیه‌ای که ما طراحی کردیم در پشت
این لنز قرار دارد.
این لنز قرار دارد.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
و تراشه -- من می‌خواهم به شما
ویدیویی نشان دهم
ویدیویی نشان دهم
12:22
that the silicon retina put out of its output
216
724000
3000
که شبکیه سیلیکونی خروجی خود را هنگامی
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
که به کریم زاقلول نگاه می‌کرده منتشر کرده،
12:28
who's the student who designed this chip.
218
730000
2000
دانش‌آموزی است که این تراشه
را طراحی کرده است.
را طراحی کرده است.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
بگذارید توضیح دهم که چه چیزی
را می‌بینید،
را می‌بینید،
12:32
because it's putting out different kinds of information,
220
734000
3000
زیرا اطلاعات مختلفی را در اختیار شما
قرار می‌دهد،
قرار می‌دهد،
12:35
it's not as straightforward as a camera.
221
737000
2000
این به عنوان نگاه مستقیم به دوربین نیست.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
تراشه شبکیه چهار نوع اطلاعات مختلف
را استخراج می‌کند.
را استخراج می‌کند.
12:40
It extracts regions with dark contrast,
223
742000
3000
این مناطق را با تضاد تیره
استخراج می‌کند،
استخراج می‌کند،
12:43
which will show up on the video as red.
224
745000
3000
که در ویدیو به صورت قرمز نشان داده
خواهد شد.
خواهد شد.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
و مناطق را با تضاد سفید یا روشنی
استخراج می‌کند،
استخراج می‌کند،
12:50
which will show up on the video as green.
226
752000
2000
که در ویدیو به صورت سبز نمایش
داده خواهد شد.
داده خواهد شد.
12:52
This is Kareem's dark eyes
227
754000
2000
اینها چشمان تیره کریم هستند
12:54
and that's the white background that you see here.
228
756000
3000
و این زمینه سفید که در اینجا
مشاهده می‌کنید.
مشاهده می‌کنید.
12:57
And then it also extracts movement.
229
759000
2000
وسپس آن حرکت را استخراج می‌کند.
12:59
When Kareem moves his head to the right,
230
761000
2000
وقتی کریم سر خود را به راست
حرکت می‌دهد،
حرکت می‌دهد،
13:01
you will see this blue activity there;
231
763000
2000
شما این فعالیت آبی را در آنجا
خواهید دید.
خواهید دید.
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
آن مناطقی را نشان می‌دهد که در آن
تضاد رنگی در تصویر افزایش می‌یابد.
تضاد رنگی در تصویر افزایش می‌یابد.
13:06
that's where it's going from dark to light.
233
768000
3000
آن جایی است که از تیرگی به روشنی می‌رود.
13:09
And you also see this yellow activity,
234
771000
2000
و همچنین این فعالیت زرد را می‌بینید،
13:11
which represents regions where contrast is decreasing;
235
773000
4000
که نشان دهنده مناطقی است که تضاد
در حال کاهش است؛
در حال کاهش است؛
13:15
it's going from light to dark.
236
777000
2000
از روشنی به تیرگی می‌رود.
13:17
And these four types of information --
237
779000
3000
و این چهار نوع اطلاعات عصب بینایی شما --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
حدود یک میلیون الیاف در آن وجود دارد،
13:24
and 900,000 of those fibers
239
786000
3000
و ۹۰۰٫۰۰۰ آن الیاف‌ها
13:27
send these four types of information.
240
789000
2000
این چهار نوع اطلاعات را ارسال می‌کنند.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
بنابراین ما واقعا نوع سیگنال‌هایی را که
شما بر روی عصب بینایی دارید کپی می‌کنیم.
شما بر روی عصب بینایی دارید کپی می‌کنیم.
13:33
What you notice here is that these snapshots
242
795000
3000
آنچه در اینجا متوجه شده‌اید این است که
این عکس‌های فوری
این عکس‌های فوری
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
از خروجی تراشه شبکیه بسیار پراکنده هستند.
درسته؟
درسته؟
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
این سبز در همه جا در پس زمینه روشن نیست،
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
فقط در لبه ها وسپس در مو وغیره.
13:45
And this is the same thing you see
246
807000
1000
واین همان چیزی است که می‌بینید
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
وقتی مردم ویدیو رابرای ارسال فشرده می‌کنند
می‌خواهند آن را بسیار پراکنده کنند،
می‌خواهند آن را بسیار پراکنده کنند،
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
زیرا این فایل کوچکتر است و چیزی است که
شبکیه انجام می‌دهد.
شبکیه انجام می‌دهد.
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
و آن را فقط با مدار انجام می‌دهد، و چگونه
این شبکه اعصاب
این شبکه اعصاب
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
که در آن تعامل دارند که ما در تراشه
به دست آوردیم.
به دست آوردیم.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
اما نکته‌ای که می‌خواهم اشاره کنم --
من اینجا را نشان می‌دهم.
من اینجا را نشان می‌دهم.
14:03
So this image here is going to look like these ones,
252
825000
3000
بنابراین این تصویر در اینجا به
نظر می‌رسد مانند این یکی باشد،
نظر می‌رسد مانند این یکی باشد،
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
اما در اینجا من به شما نشان خواهم داد
می‌توانیم تصویر را بازسازی کنیم،
می‌توانیم تصویر را بازسازی کنیم،
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
خب می‌دانید، می‌توانید تقریبا کریم را
در قسمت بالای آن ببینید.
در قسمت بالای آن ببینید.
14:13
And so, here you go.
255
835000
2000
وخب این هم از این.
خُب، این یک ایده است.
وقتی هنوز ایستاده‌اید فقط تضاد روشنی
وتیرگی را می‌بینید.
وتیرگی را می‌بینید.
اما وقتی به عقب و جلو حرکت می‌کند،
شبکیه این تغییرات را بر می‌دارد.
14:24
Yes, so that's the idea.
256
846000
3000
و می‌دانید چرا هنگامی که در اینجا
نشسته‌اید
نشسته‌اید
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
و چیزی در پس زمینه شما اتفاق می‌افتد،
14:29
But when it's moving back and forth,
258
851000
2000
شما صرفا چشم خود را به سمتش حرکت می‌دهید.
14:31
the retina picks up these changes.
259
853000
3000
سلولهایی هستند که تغییر را تشخیص می‌دهند
14:34
And that's why, you know, when you're sitting here
260
856000
1000
و شما توجه خود را به آن منتقل می‌کنید.
14:35
and something happens in your background,
261
857000
2000
بنابراین آنها برای گرفتن کسی که سعی
14:37
you merely move your eyes to it.
262
859000
2000
در دزدیدن شما دارد بسیار مهم هستند.
14:39
There are these cells that detect change
263
861000
2000
اجازه دهید بحثم را با این گذاره تمام کنم
که این چیزی است که اتفاق می‌افتد
که این چیزی است که اتفاق می‌افتد
14:41
and you move your attention to it.
264
863000
2000
14:43
So those are very important for catching somebody
265
865000
2000
زمانی که شما آفریقا را در یک
پیانو قرار دهید خب.
پیانو قرار دهید خب.
14:45
who's trying to sneak up on you.
266
867000
2000
این یک درام استیل است که اصلاح شده است.
14:47
Let me just end by saying that this is what happens
267
869000
3000
این چیزی است که زمانی که شما آفریقا را در
پیانو قرار دهید اتفاق می‌افتد.
پیانو قرار دهید اتفاق می‌افتد.
14:50
when you put Africa in a piano, OK.
268
872000
3000
14:53
This is a steel drum here that has been modified,
269
875000
3000
و آنچه مایلم انجام دهیم این است که
آفریقا را در زمره تولید رایانه قرار دهیم،
آفریقا را در زمره تولید رایانه قرار دهیم،
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
و با نوع جدیدی از کامپیوتر
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
که تفکر، تصور، خلاقیت
و چیزهایی مثل آن را شامل شود.
و چیزهایی مثل آن را شامل شود.
متشکرم.
15:03
and come up with a new kind of computer
272
885000
2000
(تشویق)
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
15:08
Thank you.
274
890000
2000
15:10
(Applause)
275
892000
2000
کریس اندرسون: یه سوال کوابنا.
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
آیا کارهایی را انجام می‌دهید که در
ذهن دارید،
ذهن دارید،
15:18
the future of Africa, this conference --
278
900000
3000
آینده آفریقا، این همایش --
15:21
what connections can we make, if any, between them?
279
903000
3000
چه ارتباطاتی می‌توانیم بین آنهاایجاد کنیم؟
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
کوابنا بوهن: بله همانطور که در ابتدا گفتم
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
من اولین رایانه‌ام را در نوجوان
در اکرا گرفتم
در اکرا گرفتم
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
و این واکنش احساسی راداشتم که
کار اشتباهی بود.
کار اشتباهی بود.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
روش احساس بسیار قدرتمند و ناهنجاری بود.
15:37
I don't think that I would've had that reaction,
284
919000
2000
من فکر نمی‌کنم که این واکنش را داشتم،
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
اگر با خواندن همه تخیلات علمی،
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
شنیدن راجع به RD2D2 بزرگ می‌شدم. هرآنچه
که نامیده می‌شود و شما می‌دانید،
که نامیده می‌شود و شما می‌دانید،
15:46
buying into this hype about computers.
287
928000
1000
اعتیاد به مواد مخدر در مورد کامپیوترها
15:47
I was coming at it from a different perspective,
288
929000
2000
من از دیدگاه متفاوت به آن رسیدم،
15:49
where I was bringing that different perspective
289
931000
2000
جایی که این دیدگاه متفاوت را
به وجود آوردم
به وجود آوردم
15:51
to bear on the problem.
290
933000
2000
تا مشکل را برطرف کنم.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
و فکر می‌کنم بسیاری از مردم در آفریقا
این دیدگاه متفاوت را دارند،
این دیدگاه متفاوت را دارند،
15:56
and I think that's going to impact technology.
292
938000
2000
و فکر می‌کنم این فناوری را
تحت‌تاثیر قرار می‌دهد.
تحت‌تاثیر قرار می‌دهد.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
وآن را تحت تاثیر قرار می‌دهد
تا چگونگی تکامل آن را تغییر دهد.
تا چگونگی تکامل آن را تغییر دهد.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
فکر می‌کنم شما می توانید ببینید،
16:02
to come up with new things,
295
944000
2000
با کمک آن تزریق چیزهای جدیدی می‌آید،
16:04
because you're coming from a different perspective.
296
946000
3000
زیرا شما از زاویه دیگری نگاه می‌کنید.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
فکر می‌کنم می‌توانیم کمک کنیم.
می‌توانیم مثل هر کس دیگری آرزو کنیم.
می‌توانیم مثل هر کس دیگری آرزو کنیم.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
ک ا: ممنونم کوابنا.
خیلی جالب بود.
خیلی جالب بود.
16:13
Thank you.
299
955000
1000
متشکرم.
16:14
(Applause)
300
956000
2000
(تشویق)
Translated by mohammad ali masoum
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