TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins - Comment la science du cerveau va changer l'informatique
Filmed:
Readability: 3.2
1,674,773 views
Jeff Hawkins, créateur de Treo, nous invite à porter un oeil nouveau sur le cerveau - pour le voir non pas comme un processeur rapide, mais comme un système de mémoire qui stocke et réutilise les expériences passées afin de nous aider à prédire intelligemment ce qui va arriver.
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
Je fais deux choses. Je conçois des ordinateurs portables, et j'étudie le cerveau.
00:29
And today's talk is about brains and,
1
4000
2000
La conférence d'aujourd'hui parlera du cerveau, et
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
super, il y a un fan des cerveaux dans la salle !
00:33
(Laughter)
3
8000
2000
(Rires)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Maintenant, si on peut afficher mon premier slide là-haut,
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
vous verrez le titre de ma conférence et mes deux affiliations.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Donc, mon sujet sera la raison pour laquelle on n'a pas de bonne théorie de cerveau,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
pourquoi il est important qu'on en développe une, et ce qu'on peut faire pour ça.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
Et j'essayerai de faire tout ça en 20 minutes. J'ai deux affiliations.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
La plupart d'entre vous me connaissent par mon travail chez Palm et Handsprings,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
mais je gère aussi un institut de recherche à but non lucratif,
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
appelé "Redwood Neuroscience Institute", à Menlo Park,
00:59
and we study theoretical neuroscience,
12
34000
2000
où on étudie la neuroscience théorique
01:01
and we study how the neocortex works.
13
36000
2000
et comment fonctionne le néocortex.
01:03
I'm going to talk all about that.
14
38000
2000
C'est de cela en particulier que je vais parler.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
J'ai un slide qui concerne mon autre vie, ma vie informatique, c'est celui-là.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Voici quelques uns des produits sur lesquels j'ai travaillé ces 20 dernières années,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
du tout premier ordinateur portable à certaines des premières tablettes informatiques,
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
et ainsi de suite jusqu'au Treo le plus récemment,
01:17
and we're continuing to do this.
19
52000
2000
et on continue à travailler dessus.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
J'ai fait cela car je crois vraiment que l'informatique mobile
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
est le futur de l'informatique personnelle, et j'essaie de rendre le monde
01:24
a little bit better by working on these things.
22
59000
3000
un peu meilleur en travaillant sur ces choses.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Mais tout cela était, je dois l'avouer, totalement un accident.
01:29
I really didn't want to do any of these products
24
64000
2000
En fait, je ne voulais faire aucun de ces produits
01:31
and very early in my career I decided
25
66000
2000
et très tôt dans ma carrière j'ai décidé
01:33
I was not going to be in the computer industry.
26
68000
3000
que je n'irais pas dans l'industrie informatique.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Et avant que je ne vous raconte ça, il faut juste que je vous parle
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
de cette petite image de graffiti que j'ai récupéré sur Internet l'autre jour.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Je cherchais une image de graffiti, un petit langage de saisie de texte,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
et j'ai trouvé le site dédié aux enseignants qui veulent en faire,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
vous savez, le script qui écrit des choses en haut de leur tableau,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
et ils y avaient ajouté des graffiti, ce dont je suis désolé.
01:52
(Laughter)
33
87000
2000
(Rires)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Donc, ce qui c'est passé, c'est que dans ma jeunesse, après être sorti de l'école d'ingénieur
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
Cornell en 1979, j'ai décidé d'aller travailler pour Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
J'étais dans l'industrie informatique, et au bout de trois mois là-dedans,
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
je suis tombé amoureux d'autre chose, et je me suis dit: "Je me suis trompé de carrière",
02:10
and I fell in love with brains.
38
105000
3000
et je suis tombé amoureux des cerveaux.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Ça n'est pas un vrai cerveau. C'est une image, un dessin.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Je ne me souviens pas exactement comment ça s'est passé,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
mais j'ai un souvenir, assez net dans mon esprit.
02:22
In September 1979, Scientific American came out
42
117000
3000
En septembre 1979, le magazine Scientific American
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
avec un numéro spécial sur le cerveau. Et il était assez bon.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Ce fut l'un de leurs meilleurs numéros. Ils parlaient de neurones,
02:31
and development and disease and vision and all the things
45
126000
2000
du leurs développement et de leurs maladies, de la vue,
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
et de tout ce qu'on pouvait désirer savoir sur le cerveau. C'était vraiment impressionnant.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
On pouvait avoir l'impression qu'on connaissant vraiment beaucoup de choses sur le cerveau.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Mais le dernier article de ce numéro était écrit par Francis Crick, connu pour l'ADN.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
C'est aujourd'hui, je pense, le 50ème anniversaire de la découverte de l'ADN.
02:46
And he wrote a story basically saying,
50
141000
2000
Et il avait écrit un article qui disait, en gros,
02:48
well, this is all well and good, but you know what,
51
143000
3000
tout ça c'est bien joli, mais vous savez quoi,
02:51
we don't know diddley squat about brains
52
146000
2000
on n'y connaît que dalle sur le cerveau
02:53
and no one has a clue how these things work,
53
148000
2000
et personne ne sait comment ce truc fonctionne,
02:55
so don't believe what anyone tells you.
54
150000
2000
alors, ne croyez pas ce que quiconque vous dira.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Dans un extrait de l'article, il dit : "Ce qui manque ostensiblement",
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
c'était un vrai gentleman anglais, donc, "ce qui manque ostensiblement,
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
c'est un vaste cadre d'idées au sein duquel interpréter ces différentes approches."
03:07
I thought the word framework was great.
58
162000
2000
J'ai pensé que le terme de "cadre" était formidable.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Il n'a pas dit qu'on n'avait même pas de théorie. Il dit,
03:11
we don't even know how to begin to think about it --
60
166000
2000
on ne sait même pas par où commencer à y penser,
03:13
we don't even have a framework.
61
168000
2000
on n'a même pas de cadre.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
On est dans un stade pré-paradigmatique, en se référant à Thomas Kohn.
03:18
And so I fell in love with this, and said look,
63
173000
3000
Je suis tombé amoureux de cela, et j'ai dit, regarde,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
on a tout ces connaissances à propos du cerveau. C'est si difficile que ça ?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
C'est quelque chose sur quoi on peut travailler aujourd'hui. J'ai senti que je pouvais faire une différence,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
et j'ai donc essayé de sortir de l'industrie informatique, pour entrer dans le domaine du cerveau.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Premièrement, je suis entré au MIT, où se trouvait le A.l Lab (NdT : Laboratoire d'Intelligence Artificielle du M.I.T)
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
et je me suis dit, je veux construire des machines intelligentes moi aussi,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
mais pour faire ça, je vais commencer par étudier le fonctionnement du cerveau.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Et ils ont dit, oh, vous n'avez pas besoin de faire ça.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
On va juste programmer des ordinateurs, c'est tout ce qu'on doit faire.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Et j'ai dit, non, vous devriez vraiment étudier le cerveau. Ils ont dit, oh, vous savez,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
vous avez tort. Et j'ai dit, non, vous avez tort, et je n'ai pas été pris.
03:48
(Laughter)
74
203000
1000
(Rires)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Mais j'étais un peu déçu - assez jeune, mais j'y suis retourné
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
quelques années plus tard, cette fois en Californie, et je suis allé à Berkeley.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Et je me suis dit, je vais y aller par le côté biologique.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Donc j'ai été pris - dans un programme doctoral en Biophysique.
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
J'étudiais enfin le cerveau, et je me suis dit, bon, je veux étudier la théorie.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Et ils ont dit, oh non, vous ne pouvez pas étudier la théorie à propos du cerveau.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Ce n'est pas quelque chose qu'on fait. Vous n'aurez pas de subventions pour ça.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
En tant qu'étudiant en troisième cycle, vous ne pouvez pas faire ça. Donc je me suis dit, oh mon dieu.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
J'étais très déprimé. J'ai dit, je peux faire une différence dans ce domaine.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Donc ce que j'ai fait, c'est de retourner dans l'industrie informatique,
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
et je me suis dit, bon, il faut que je travaille là-dedans pendant un temps, il faut que je fasse quelque chose.
04:20
That's when I designed all those computer products.
86
235000
3000
C'est là que j'ai créé tous ces produits informatiques.
04:23
(Laughter)
87
238000
1000
(Rires)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Je me suis dit, je vais faire ça pendant quatre ans, me faire de l'argent,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
comme j'avais une famille, et je deviendrais un peu plus mûr,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
et peut-être que les neurosciences mûriraient aussi un peu.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Ça a mis plus longtemps que quatre ans. Ça a pris 16 ans.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Mais je le fais maintenant, et je vais vous en parler.
04:39
So why should we have a good brain theory?
93
254000
3000
Donc, pourquoi devrions-nous avoir une bonne théorie du cerveau ?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
À vrai dire, il y a beaucoup de raisons pour lesquelles les gens font des sciences.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
L'une d'elle - la plus basique - est que les gens aiment connaître les choses.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Nous sommes curieux, et nous allons juste chercher des connaissances, vous voyez ?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Pourquoi est-ce qu'on étudie les fourmis ? Parce que c'est intéressant.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Peut-être qu'on y apprendra quelque chose d'utile, mais c'est intéressant et fascinant.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Mais parfois, une science a d'autres attributs,
04:57
which makes it really, really interesting.
100
272000
2000
qui la rendent vraiment, vraiment intéressante.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Parfois, une science nous dira quelque chose sur nous-mêmes,
05:02
it'll tell us who we are.
102
277000
1000
elle nous dira qui nous sommes.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Pas souvent, mais la théorie de l'évolution a eu cet effet. Copernic aussi,
05:06
where we have a new understanding of who we are.
104
281000
2000
et nous avons une meilleure compréhension de qui nous sommes.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Et après tout, nous sommes notre cerveau. Mon cerveau parle à votre cerveau.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Nos corps suivent, mais c'est mon cerveau qui parle à votre cerveau.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
Et si nous voulons comprendre qui nous sommes, comment nous ressentons et percevons,
05:18
we really understand what brains are.
108
293000
2000
il faut vraiment comprendre ce qu'est le cerveau.
05:20
Another thing is sometimes science
109
295000
2000
Un autre élément est que parfois la science
05:22
leads to really big societal benefits and technologies,
110
297000
2000
nous mène à de vraiment gros avantages sociaux et technologiques,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
ou commerciaux, ou autres, qui en sont issus. Et c'en est un, aussi,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
car quand nous comprenondrons comment le cerveau fonctionne, nous serons capables
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
de construire des machines intelligentes, et à vrai dire je pense que c'est une bonne chose globalement,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
cela va avoir des avantages immenses pour la société,
05:34
just like a fundamental technology.
115
309000
2000
comme une technologie fondamentale.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Donc, pourquoi n'avons-nous pas de bonne théorie du cerveau ?
05:38
And people have been working on it for 100 years.
117
313000
3000
Et il y a des gens qui ont travaillé là-dessus depuis 100 ans.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Tout d'abord, regardons ce à quoi ressemble la science normale.
05:43
This is normal science.
119
318000
2000
Voilà la science normale.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
La science normale est un équilibre entre théories et expérimentations.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Le théoricien dit, voilà, je pense que c'est ce qui se passe,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
et l'expérimentateur dit, non, vous avez tort.
05:53
And it goes back and forth, you know?
123
328000
2000
Et ça fait des allers-retours, vous voyez ?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Ça marche pour la physique. Et pour la géologie. Mais si c'est ça la science normale,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
à quoi ressemble la neuroscience ? Voilà à quoi la neuroscience ressemble.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
On a cette montagne de données, l'anatomie, la physiologie, le comportement.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Vous n'imaginez pas combien de détails on connaît à propos du cerveau.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Il y a 28000 personnes qui sont allées à la conférence sur la neuroscience cette année,
06:12
and every one of them is doing research in brains.
129
347000
2000
et chacune d'entre elles faisaient des recherches sur le cerveau.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Beaucoup de données. Mais il n'y a pas de théorie. Il y a une petite boîte timide là-haut.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Et la théorie n'a joué aucun rôle majeur en neurosciences.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
C'est vraiment dommage. Comment ça se fait ?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Si vous demandez à des neuroscientifiques pourquoi il en est ainsi,
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
déjà, ils confirmeront. Mais si vous leur demandez, ils vous diront,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
eh bien, il y a diverses raisons pour lesquelles on n'a pas de bonne théorie du cerveau.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Certains diront qu'on n'a pas encore assez de données,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
on doit rassembler plus d'informations, il y a toutes ces choses qu'on ignore.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Mais je vous ai dit qu'on croule sous les données.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
On a tant d'informations qu'on ne sait pas par où commencer pour les organiser.
06:45
What good is more going to do?
140
380000
2000
À quoi servirait d'en avoir plus ?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
On sera peut-être chanceux et on découvrira quelque chose de magique, mais je n'y crois pas.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
C'est en fait simplement un symptôme de l'absence de théorie.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
On n'a pas besoin de plus de données, on a besoin d'une bonne théorie à leur sujet.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Parfois, les gens disent que le cerveau est si complexe
06:59
it'll take another 50 years.
145
394000
2000
que ça prendra 50 ans de plus.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Je crois même que Chris a dit quelque chose comme ça hier.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Je ne suis pas sûr de ce que vous avez dit, Chris, mais c'était quelque chose dans le genre de :
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
"C'est l'une des choses les plus compliquées de l'univers." Ce n'est pas vrai.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Vous êtes plus compliqué que votre cerveau. Vous avez un cerveau.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
Et c'est aussi que, bien que le cerveau semble très compliqué,
07:12
things look complicated until you understand them.
151
407000
3000
les choses semblent compliquées jusqu'à ce qu'on les comprennent.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Ça a toujours été le cas. Donc tout ce que nous pouvons dire,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
c'est que mon néocortex, qui est la partie du cerveau qui m'intéresse, a 30 milliards de cellules.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Mais vous savez quoi ? Il est vraiment très simple.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
En fait, on dirait que c'est la même chose qui se répète encore et encore et encore.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Il n'est pas aussi compliqué qu'en apparence. Ce n'est pas le problème.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Certains disent que le cerveau ne peut pas comprendre le cerveau.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
C'est très zen comme idée. Wow ! Vous savez...
07:35
You know,
159
430000
1000
(Rires)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Ça sonne bien mais pourquoi dire ça ? Ça mène à quoi ?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
C'est juste un tas de cellules. Vous comprenez votre foie.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Il est aussi composé de beaucoup de cellules, pas vrai ?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Donc je ne pense pas que ça soit très juste de dire ça.
07:46
And finally, some people say, well, you know,
164
441000
2000
Et finalement, d'autres personnes disent
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
qu'elles ne se sentent pas être un tas de cellules. Qu'elles sont conscientes.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Je fais cette expérience, je vis dans ce monde.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Je ne peux pas être simplement un tas de cellules.
07:56
people used to believe there was a life force to be living,
168
451000
3000
Les gens avaient l'habitude de penser qu'il y avait une force vitale,
07:59
and we now know that's really not true at all.
169
454000
2000
et on sait aujourd'hui que ce n'est pas du tout vrai.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Et il n'y a vraiment pas de preuve qui dise... Enfin, à part les gens
08:04
just have disbelief that cells can do what they do.
171
459000
2000
qui ne croient pas que les cellules puissent faire ce qu'elles font.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Et donc, même si des gens sont tombés dans la fosse du dualisme métaphysique,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
même des gens très intelligents, hé bien on peut rejeter tout ça.
08:12
(Laughter)
174
467000
2000
(Rires)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Non, je vais vous dire qu'il y a quelque chose d'autre,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
et c'est vraiment fondamental. Voilà ce qu'il en est :
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
il y a une autre raison pour laquelle nous n'avons pas de théorie du cerveau satisfaisante,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
c'est parce qu'on a une supposition intuitive, très ferme,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
mais incorrecte qui nous empêche de vois la réponse.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Il y a quelque chose qu'on croît évident, mais qui est faux.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Il y a une histoire de ce type en science, et avant que je ne vous dise laquelle,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
je vais vous en dire un peu plus sur l'histoire à ce sujet en science.
08:38
You look at some other scientific revolutions,
183
493000
2000
Si vous regardez certaines des autres révolutions scientifiques,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
dans le cas présent, je parle du système solaire, avec Corpernic,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
l'évolution de Darwin, et les plaques tectoniques de Wegener.
08:45
They all have a lot in common with brain science.
186
500000
3000
Elles ont toutes beaucoup en commun avec la science du cerveau.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Tout d'abord, il y avait toutes ces données inexpliquées. Un tas de données.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Mais elles sont devenues gérables une fois qu'il y a eu une théorie.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
Les meilleurs esprits séchaient, des gens vraiment, vraiment intelligents.
08:57
We're not smarter now than they were then.
190
512000
2000
Nous ne sommes pas plus intelligents maintenant qu'à leur époque.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Il s'avère juste qu'il est vraiment très difficile de penser les choses,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
mais une fois que vous y avez pensé, il est relativement aisé de les comprendre.
09:03
My daughters understood these three theories
193
518000
2000
Mes filles ont compris ces trois théories
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
dans leur cadre général en maternelle.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Ce n'est pas si dure, vous savez, voilà la pomme, voilà l'orange,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
la Terre tourne, et tout ça.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Enfin, une autre chose est que la réponse était là depuis le début,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
mais on l'avait plus ou moins ignorée à cause de cette chose évidente.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
C'est cette croyance intuitive et fermement ancrée qui était fausse.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
Dans le cas du système solaire, l'idée que la Terre tournait
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
et que la surface de la Terre bougeait à disons 1500 km/h,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
et que la Terre fonce à travers le système solaire à environ 1500000 km/h.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
C'est du délire. Tout le monde sait que la Terre ne bouge pas.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Est-ce que vous sentez que vous bougez à 1500km/h ?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Bien sûr que non. Et quelqu'un qui disait,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
en fait, elle tourne dans l'espace et est énorme,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
ils l'enfermaient, c'est ce qu'ils faisaient à cette époque.
09:41
(Laughter)
208
556000
1000
(Rires)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Donc c'était intuitif et évident. Et maintenant, qu'en est-il pour l'évolution ?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
C'est la même chose pour l'évolution. On enseignait à nos enfants que la Bible dit
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
que Dieu a créé toutes ces espèces, que les chats sont des chats, les chiens sont des chiens,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
les gens sont des gens, les plantes sont des plantes, donc ils ne changent pas.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noé les a mis dans son Arche dans cet ordre, bla bla bla.
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
Et vous savez, le fait est que si vous croyez en l'évolution, nous avons tous un ancêtre commun,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
et nous avons tous une parenté commune avec la plant dans le hall.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
C'est ce que l'évolution nous enseigne. Et c'est vrai. C'est assez incroyable.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
Et c'est la même chose avec les plaques tectoniques.
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Toutes les montages et les continents flottent de-ci de-là
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
sur la surface de la Terre. Ça ne fait aucun sens.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Donc quelle est la supposition intuitive, mais incorrecte,
10:20
that's kept us from understanding brains?
221
595000
2000
qui nous empêche de comprendre le cerveau ?
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
Je vais vous la dire, et il va sembler évident que c'est juste,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
et c'est là le but, non ? Ensuite je vais devoir expliquer
10:26
why you're incorrect about the other assumption.
224
601000
2000
pourquoi vous avez tort avec l'autre supposition.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
La chose intuitive et évidente est que quelque part l'intelligence
10:31
is defined by behavior,
226
606000
2000
est définie par le comportement,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
que nous sommes intelligents par la façon dont nous faisons les choses
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
et la façon dont nous agissons intelligemment. Je vais vous dire que c'est une erreur.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Le fait est que l'intelligence est définie par la capacité de prédiction.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Je vais vous guider avec quelques slides,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
vous donner un exemple de ce que ça signifie. Voilà le système.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Les ingénieurs aiment regarder les systèmes ainsi. Les scientifiques, eux, aiment regarder les systèmes comme ça.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Ils disent "Bon, on a une chose dans une boîte, et il y a ses données d'entrée et de sortie."
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Les gens d'IA (intelligence artificielle) disent que cette chose dans la boîte est un ordinateur programmable
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
car c'est équivalent à un cerveau. On lui fournit des données
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
et on lui fait faire quelque chose, manifester des comportements.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Et Alan Turing a défini le test de Turing, qui dit en gros
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
qu'on saura si quelque chose est intelligent s'il se comporte comme un humain.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
C'est une mesure comportementale de ce qu'est l'intelligence,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
et c'est resté collé dans notre esprit pendant un long moment.
11:12
Reality though, I call it real intelligence.
241
647000
2000
La réalité, cependant, je l'appelle la véritable intelligence.
11:14
Real intelligence is built on something else.
242
649000
2000
La véritable intelligence est fondée sur quelque chose d'autre.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
On expérimente le monde à travers une séquence de motifs, qu'on stocke
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
et dont on se rappelle. Et quand on s'en rappelle, on les confronte à la réalité,
11:23
against reality, and we're making predictions all the time.
245
658000
4000
on fait des prédictions en permanence.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
C'est une mesure permanente. Il y a une mesure permanente à notre sujet, qui nous dit en gros,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
est-ce que je comprends le monde ? Est-ce que je fais des prédictions ? Et ainsi de suite.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Vous êtes tous intelligents à cet instant présent, mais vous ne faites rien.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Peut-être que vous vous grattez, ou vous vous mettez votre doigt dans le nez,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
je ne sais pas, mais vous ne faites rien à cet instant,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
mais vous êtes intelligents, vous comprenez ce que je dis.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Parce que vous êtes intelligents et vous parlez anglais,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
vous savez quel mot se trouve à la fin de cette... (Silence)
11:45
sentence.
254
680000
2000
phrase.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Le mot vous est venu à l'esprit, et vous faites ce type de prédiction tout le temps.
11:50
And then, what I'm saying is,
256
685000
2000
Donc, ce que je dis,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
c'est que la prédiction permanente est l'output du néocortex.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
Et que d'une certaine façon, la prédiction mène à un comportement intelligent.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
Voilà comment ça se passe. Commençons avec un cerveau non-intelligent.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Bon, je propose un cerveau non-intelligent, on a un vieux cerveau,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
on va dire que ce n'est pas un mammifère, plutôt un reptile,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
disons un alligator, on a un alligator.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Et l'alligator a des sens très sophistiqués.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Il a de bon yeux, de bonnes oreilles, un bon sens tactile, et ainsi de suite
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
une bouche, un nez. Il a un comportement complexe.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Il peut courir et se cacher. Il connaît la peur et les émotions. Il peut vous manger, vous savez.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Il peut attaquer. Il peut faire tout ces trucs.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Mais on ne considère pas que l'alligator est très intelligent, pas dans un sens humain.
12:32
But it has all this complex behavior already.
269
727000
2000
Mais il a déjà un comportement complexe.
12:34
Now, in evolution, what happened?
270
729000
2000
Que c'est-il passé dans l'évolution ?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
La première chose qui est arrivée dans l'évolution des mammifères,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
c'est que nous avons développé une chose appelée le néocortex.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Je vais représenter un néocortex ici,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
par cette boîte qui vient se coller au-dessus du vieux cerveau.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Le néocortex implique une nouvelle couche. C'est une nouvelle couche au-dessus de votre cerveau.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Si vous ne le savez pas, c'est la chose ridée sur le dessus de la tête,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
elle a des rides parce qu'elle a été fourrée là-dedans et n'a pas la bonne taille.
12:54
(Laughter)
278
749000
1000
(Rires)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Non, vraiment, c'est ça. Il a à peu près la taille d'une serviette de table.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
Et il ne tient pas là-dedans, donc il s'est ridé. Maintenant, regardez comment j'ai dessiné ça ici.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Le vieux cerveau est toujours là. Vous avez toujours le cerveau d'alligator.
13:04
You do. It's your emotional brain.
282
759000
2000
Vous l'avez. C'est votre cerveau émotionnel.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
C'est toutes ces choses, toutes ces réactions instinctives que vous avez.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Et par dessus, on a ce système de mémoire appelé néocortex.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
Et ce système de mémoire est posé sur la partie sensorielle du cerveau.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Donc quand les données sensorielles arrivent du vieux cerveau,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
ells montent aussi dans le néocortex. Et le néocortex, c'est simplement la mémorisation.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Il reste là à dire "Ah, je vais mémoriser toutes ces choses qui se produisent,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
où je suis allé, les gens que j'ai vus, les choses que j'ai entendues, et tout ça."
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
Et dans le futur, quand il verra quelque chose de similaire à nouveau,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
dans un environnement similaire, ou exactement le même,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
il le rejouera. Il se mettra à le rejouer.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
"Oh, je suis déjà venu ici. Et quand tu es venu ici,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
ceci s'est produit ensuite". Cela vous permet de prédire le futur.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Il renvoie littéralement le signal à votre cerveau,
13:47
they'll let you see what's going to happen next,
296
802000
2000
et vous laisse voir ce qui va se produire ensuite,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
vous laisse entendre le mot dans ma phrase avant que je ne l'ai dit.
13:52
And it's this feeding back into the old brain
298
807000
3000
Et c'est ce renvoi de signal dans le vieux cerveau
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
qui vous permet de prendre des décisions bien plus intelligentes.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
C'est le slide le plus important de mon propos, donc je vais m'attarder dessus un petit peu.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Et donc, vous dites tout le temps, "oh je peux prédire les choses".
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Si vous êtes un rat qui parcourt un labyrinthe, et que vous apprenez à le connaître,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
la prochaine fois que vous vous y trouverez, vous aurez le même comportement,
14:10
but all of a sudden, you're smarter
304
825000
2000
mais brusquement, vous êtes plus intelligents,
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
parce que vous vous dites, "oh, je reconnais ce labyrinthe, je sais de quel côté aller,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
je suis déjà venu ici, je peux voir le future." Et c'est ce qui se produit.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Chez l'homme, mais c'est valable pour tous les mammifères, au passage.
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
C'est vrai pour tous les mammifères, et chez l'homme, c'est devenu encore pire.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
L'homme a en fait développé la partie frontale du néocortex,
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
appelée partie antérieure du néocortex. Et la nature a fait un petit truc ici.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Elle a copié la partie postérieure, la partie à l'arrière, qui est sensorielle,
14:32
and put it in the front part.
312
847000
2000
et l'a mise dans la partie avant.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Et l'homme uniquement a le même mécanisme sur l'avant,
14:36
but we use it for motor control.
314
851000
2000
mais l'utilise pour le contrôle moteur.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Donc on peut maintenant effectuer des actions motrices planifiées très sophistiquées, des choses comme ça.
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
Je n'ai pas le temps de poursuivre dans les détails, mais si vous voulez comprendre comment fonctionne un cerveau,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
vous devez comprendre comment la première partie du néocortex des mammifères fonctionne,
14:47
how it is we store patterns and make predictions.
318
862000
2000
et comment elle stocke des motifs et fait des prédictions.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Laissez-moi donc vous donner quelques exemples de prédictions.
14:52
I already said the word "sentence." In music,
320
867000
2000
J'ai déjà évoqué la complétion d'une phrase. En musique,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
si vous avez déjà entendu une chanson, si vous avez déjà entendu Jill chanter ces chansons auparavant,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
quand elle les chante, la prochaine note apparaît déjà dans votre esprit,
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
vous l'anticipé au fur et à mesure. Si c'était un album de musique,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
à la fin d'un album, la prochaine chanson apparaît dans votre tête.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
Et ces choses arrivent tout le temps. Vous faites ces prédictions.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
J'ai cette expérience de pensée, dite de la porte modifiée,
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
elle dit que vous avez une porte chez vous,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
et pendant que vous êtes ici, je la change, j'ai un type
15:16
back at your house right now, moving the door around,
329
891000
2000
chez vous en ce moment même, qui change la porte,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
il va prendre la poignée et la bouger de cinq centimètres.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Quand vous allez rentrer chez vous ce soir, vous allez avancer votre main
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
pour attraper la poignée, et vous allez remarquer
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
qu'elle se trouve au mauvais endroit, et vous vous direz, ola, quelque chose est arrivé.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Ça prendra peut-être une seconde pour vous en rendre compte, mais quelque chose a changé.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Mais je pourrais changer votre poignée de porte d'autres façons.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Je peux la rendre plus grosse ou plus petite, je peux la faire passer de laiton à argentée,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
je peux changer son type. Je peux changer votre porte, la peindre,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
y mettre une fenêtre. Je peux changer mille chose sur votre porte,
15:38
and in the two seconds you take to open your door,
339
913000
2000
et dans les deux secondes qu'il faut pour ouvrir la porte,
15:40
you're going to notice that something has changed.
340
915000
3000
vous allez remarquer que quelque chose a changé.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Maintenant, l'approche d'ingénieur, l'approche d'IA,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
c'est de créer une base de données sur la porte. Elle a tous les attributs de la porte.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
Et quand vous allez vers la porte, vous savez, vous les vérifier un à un.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Porte, porte, porte, couleur, enfin vous voyez de quoi je parle.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
On ne fait pas ça. Votre cerveau ne fait pas ça.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Ce que fait votre cerveau, c'est de constamment établir des prédictions
15:57
about what is going to happen in your environment.
347
932000
2000
sur ce qui va se produire dans votre environnement.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Quand je pose ma main sur cette table, je m'attends à la sentir s'arrêter.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Quand je marche, pour chaque pas, si j'en manquais un d'une fraction de centimètre,
16:05
I'll know something has changed.
350
940000
2000
je saurais que quelque chose a changé.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Vous faites constamment des prédictions sur votre environnement.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Je vais parler brièvement de la vue ici. Voici l'image d'une femme.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Quand vous regardez des gens, vos yeux sont attirés
16:14
over at two to three times a second.
354
949000
1000
deux ou trois fois par seconde.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Vous n'en avez pas conscience, mais vos yeux bougent tout le temps.
16:17
And so when you look at someone's face,
356
952000
2000
Et donc quand vous regardez le visage de quelqu'un,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
vous passez typiquement d'un oeil à l'autre et du nez à la bouche.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Quand votre oeil se déplace d'un oeil à l'autre,
16:23
if there was something else there like, a nose,
359
958000
2000
s'il y a quelque chose d'autre à cet endroit, comme un nez,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
vous verriez un nez où un oeil était attendu,
16:27
and you'd go, oh shit, you know --
361
962000
3000
et vous vous diriez : "Oh merde !", vous voyez...
16:30
(Laughter)
362
965000
1000
(Rires)
16:31
There's something wrong about this person.
363
966000
2000
"Il y a quelque chose qui cloche sur cette personne."
16:33
And that's because you're making a prediction.
364
968000
2000
C'est parce que vous faites une prédiction.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Ce n'est pas comme si vous regardiez là et vous demandiez ce que vous voyez.
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Un nez, c'est bon. Non, vous vous attendez à voir quelque chose de particulier.
16:40
(Laughter)
367
975000
1000
(Rires)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Tout le temps. Et, enfin, regardons à la façon dont on teste l'intelligence.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
On la teste par la prédiction : quel est le prochain mot ici ?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Ceci est à cela ce que ceci est à cela. Quel est le prochain chiffre dans cette phrase ?
16:51
Here's three visions of an object.
371
986000
2000
Voici trois vues d'un objet.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Quelle est la quatrième ? Voilà comment on la teste. C'est la prédiction.
16:57
So what is the recipe for brain theory?
373
992000
3000
Dès lors, quelle est la recette pour une théorie du cerveau ?
17:00
First of all, we have to have the right framework.
374
995000
3000
Premièrement, nous devons avoir le bon cadre de travail.
17:03
And the framework is a memory framework,
375
998000
2000
C'est un système de mémoire,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
pas un système de calcul ou de comportement. C'est un système de mémoire.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Comment est-ce que vous enregistrez et réutilisez ces séquences ou motifs ? Ce sont des motifs spatio-temporels.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Maintenant, dans ce système, vous prenez un tas de théoriciens .
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Les biologistes ne sont généralement pas de bons théoriciens.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Ce n'est pas toujours vrai, mais en général, il n'y a pas une bonne histoire de la théorie en biologie.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
J'ai trouvé que les meilleures personnes avec qui travailler sont les physiciens,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
les ingénieurs et les mathématiciens, qui ont tendance à penser avec des algorithmes.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Ensuite, ils doivent apprendre l'anatomie et la physiologie.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Vous devez rendre ces théories très réalistes en termes anatomiques.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Quiconque se lève et vous expose sa théorie sur le fonctionnement du cerveau
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
et ne vous explique pas exactement comment le cerveau fonctionne
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
et comment les connexions cérébrales fonctionnent, ça ne fait pas une théorie.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
C'est ce que nous faisons au Redwood Neuroscience Institute.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
J'adorerai avoir plus de temps pour vous parler des fantastiques progrès que l'on fait là-dedans,
17:48
and I expect to be back up on this stage,
390
1043000
2000
et j'espère revenir une autre fois sur cette estrade,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
peut-être dans un avenir assez proche, et je vous en parlerai alors.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Je suis vraiment très excité. Ça ne va absolument pas prendre 50 ans.
17:55
So what will brain theory look like?
393
1050000
2000
À quoi ressemblera une théorie du cerveau ?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
D'abord, ça sera une théorie sur la mémoire.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Pas comme de la mémoire informatique. Ça ne ressemble en rien à la mémoire informatique.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
C'est vraiment très différent. Et c'est une mémoire
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
de motifs de grandes dimensions, comme les choses qui viennent de vos yeux.
18:07
It's also memory of sequences.
398
1062000
2000
C'est aussi une mémoire de séquences.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Vous ne pouvez pas apprendre ni vous rappeler quelque chose en dehors d'une séquence.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Une chanson doit être entendue en séquence dans le temps,
18:14
and you must play it back in sequence over time.
401
1069000
3000
et vous devez la rejouer en séquence de la même façon.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
On se souvient de ces séquences de façon auto-associées, donc si je vois quelque chose,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
j'entends quelque chose, ça me le rappelle, et ça le rejoue automatiquement.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
C'est un playback automatique. Et la prédiction des futures données d'entrée, ce sont les données de sortie souhaitées.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Et comme je l'ai dit, la théorie doit être exacte d'un point de vue biologique,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
elle doit être testable, et on doit pouvoir la construire.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Si on ne la construit pas, on ne la comprend pas. Voici un dernier slide.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Quel va être le résultat de tout cela ? Est-ce qu'on va vraiment construire des machines intelligentes ?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Absolument. Et ça va être différent de ce que pensent les gens.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Ça va arriver, ça ne fait aucun doute dans mon esprit.
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
D'abord, on va le construire, créer le truc à partir de silicone.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
On utilisera les mêmes techniques
18:54
we can use for here.
413
1109000
1000
que pour construire la mémoire informatique en silicone.
18:55
But they're very different types of memories.
414
1110000
2000
Mais ce sont des types très différents de mémoires.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
Et on va attacher ces mémoires à des capteurs,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
et ceux-ci auront une expérience des données du monde réel, en temps réel,
19:02
and these things are going to learn about their environment.
417
1117000
2000
et ces choses apprendront des choses sur leur environnement.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Il est très peu probable que les premières choses que vous verrez soient des robots.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Non pas que les robots sont inutiles, et les gens savent construire des robots.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Mais la partie robotique est la plus dure. C'est le vieux cerveau. C'est vraiment difficile.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Le nouveau cerveau est en fait plutôt facile en comparaison avec le vieux cerveau.
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
Donc les premières choses qu'on fera seront celles qui ne requièrent pas beaucoup de robotique.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Donc vous ne verrez pas de C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Vous verrez des choses comme, disons, des voitures intelligentes
19:23
that really understand what traffic is and what driving is
425
1138000
3000
qui comprennent vraiment ce qu'est le trafic, et ce qu'est conduire,
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
et qui ont appris que certains types de voitures qui ont le clignotant allumé pendant trente secondes
19:29
probably aren't going to turn, things like that.
427
1144000
2000
ne vont probablement pas tourner, des choses comme ça.
19:31
(Laughter)
428
1146000
1000
(Rires)
19:32
We can also do intelligent security systems.
429
1147000
2000
On peut aussi faire des systèmes de sécurité intelligents.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Là où nous avons besoin de notre cerveau, en gros, mais pas de beaucoup de mécanismes.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Ce sont les choses qui arriveront en premier.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Mais après cela, la limite, c'est le monde.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Je ne sais pas où cela va mener.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Je connais beaucoup de ceux qui ont inventé le microprocesseur
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
et si vous leur parlez, ils savaient que ce qu'ils faisaient était vraiment important,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
mais ils ne savaient pas vraiment ce qui allait se passer.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Ils ne pouvaient pas anticiper les téléphones portables, Internet, et tous ces trucs.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Ils savaient que, eh, ils allaient construire des calculatrices
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
et des feux de signalisation. Mais ça allait être énorme.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
De la même façon, la science du cerveau et ces mémoires
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
vont être une technologie fondamentale, et ça va mener
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
à des changements incroyables dans les 100 prochaines années.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Et je suis très excité quant à la façon dont on on les utilisera en science.
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
Je pense que j'arrive à la limite de mon temps, donc je vais terminer mon discours
20:19
right there.
445
1194000
1000
maintenant.
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