TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
קואבנה בואהן על מחשב שעובד כמו המוח
Filmed:
Readability: 4.2
718,375 views
החוקר קואבנה בואהן מחפש דרכים לחקות את יכולות חישוב העל של המוח בעזרת סיליקון - בגלל שהתהליכים המבולגנים והמיותרים בראשנו בעצם יוצרים מחשב קטן, קל וסופר מהיר
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
קיבלתי את המחשב הראשון שלי כשהייתי נער מתבגר באקרה,
00:23
and it was a really cool device.
1
5000
3000
וזה היה מכשיר מאוד מגניב
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
יכולת לשחק איתו משחקים, יכולת לתכנת אותו ב"בייסיק".
00:31
And I was fascinated.
3
13000
2000
והייתי מרותק.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
אז הלכתי לספריה להבין איך הדבר הזה עובד.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
קראתי על איך המעבד מתמרן מידע הלוך ושוב כל הזמן
00:44
between the memory, the RAM and the ALU,
6
26000
4000
בין הדיסק, הזיכרון וה ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
יחידת העיבוד המתמטית.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
וחשבתי לעצמי, המעבד הזה צריך לעבוד כמו משוגע
00:54
just to keep all this data moving through the system.
9
36000
4000
רק בשביל לשמור על כל המידע הזה זורם במערכת.
00:58
But nobody was really worried about this.
10
40000
3000
אבל אף אחד לא היה מודאג מזה.
01:01
When computers were first introduced,
11
43000
2000
כשהמחשבים הוצגו לראשונה,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
נאמר שהם מהירים פי מיליון מניורונים.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
אנשים ממש התרגשו, הם חשבו שהם במהרה יתעלו
01:11
the capacity of the brain.
14
53000
3000
על היכולת של המוח.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
זהו ציטוט, למען האמת, של אלן טיורינג:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"בעוד 30 שנה, יהיה קל לשאול את המחשב שאלה כמו שקל
01:21
as to ask a person."
17
63000
2000
לשאול אדם.
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
זה היה ב-1946. והיום ב-2007, זה עדיין לא נכון.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
השאלה היא, למה אנחנו לא רואים
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
במחשבים את אותה העוצמה שאנחנו רואים במוח?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
מה שאנשים לא הבינו, ואני מתחיל להבין עכשיו,
01:42
is that we pay a huge price for the speed
22
84000
2000
זה שאנחנו משלמים מכיר כבד בשביל המהירות,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
שאנחנו טוענים שהיא היתרון הגדול של המחשבים.
01:48
Let's take a look at some numbers.
24
90000
2000
בואו נסתכל על כמה מספרים.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
זהו בלו ג'ין (Blue Gene), המחשב המהיר בעולם.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
יש לו 120,000 מעבדים. הם יכולים בעיקרון לעבד
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 קואדריליון ביטים של מידע בשניה.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
זה 10 בחזקת 16. והם מכלים חצי מגה וואט של כוח.
02:09
So that would be really great, if you could add that
29
111000
3000
אז זה היה ממש נפלא אם יכולנו להוסיף את זה
02:12
to the production capacity in Tanzania.
30
114000
2000
ליכולת הייצור של טנזניה.
02:14
It would really boost the economy.
31
116000
2000
זה היה ממש מקפיץ את הכלכלה.
02:16
Just to go back to the States,
32
118000
4000
אם נחזור לארה"ב,
02:20
if you translate the amount of power or electricity
33
122000
2000
אם נתרגם את כמות הכוח או החשמל
02:22
this computer uses to the amount of households in the States,
34
124000
3000
בהם המחשב הזה משתמש לכמות בתי אב בארה"ב,
02:25
you get 1,200 households in the U.S.
35
127000
4000
נקבל 1,200 בתי אב,
02:29
That's how much power this computer uses.
36
131000
2000
זו כמות הכוח שהמחשב הזה צורך.
02:31
Now, let's compare this with the brain.
37
133000
3000
עכשיו, בואו נשווה את זה למוח.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
זו תמונה למעשה, של המוח של החברה של רורי סיירס.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
רורי הוא סטודנט לתואר מתקדם בסטנפורד.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
הוא חוקר את המוח באמצעות MRI, והוא טוען
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
שזה המוח הכי יפה שהוא אי פעם סרק.
02:48
(Laughter)
42
150000
2000
(צחוק)
02:50
So that's true love, right there.
43
152000
3000
אז זו אהבת אמת.
02:53
Now, how much computation does the brain do?
44
155000
3000
עכשיו, כמה חישובים המוח עושה?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
אני מעריך ש-10 בחזקת 16 ביט לשניה
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
שזה בעצם מאוד דומה למה שבלו ג'ין עושה
03:02
So that's the question. The question is, how much --
47
164000
2000
אז זו השאלה. השאלה היא כמה --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
הם מבצעים כמות חישובים זהה, כמות מידע זהה --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
השאלה היא בכמה אנרגיה או חשמל משתמש המוח?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
ולמען האמת, היא כמו של המחשב הנייד שלכם.
03:15
it's just 10 watts.
51
177000
2000
היא רק 10 וואט.
03:17
So what we are doing right now with computers
52
179000
3000
אז מה שאנחנו עושים עכשיו עם מחשבים,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
עם אנרגיה זהה לזו של 1,200 בתים,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
המוח עושה בעזרת האנרגיה של המחשב הנייד שלכם.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
אז השאלה היא, איך המוח מצליח להגיע ליעילות כזו?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
ותנו לי רק לסכם. אז השורה האחרונה היא:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
המוח מעבד אינפורמציה בעזרת 100,000 פעמים פחות אנרגיה
03:37
than we do right now with this computer technology that we have.
58
199000
4000
מאשר טכנולוגית המחשבים שאנחנו משתמשים בה כרגע
03:41
How is the brain able to do this?
59
203000
2000
איך המוח מסוגל לעשות זאת?
03:43
Let's just take a look about how the brain works,
60
205000
3000
בואו נסתכל על איך שהמוח עובד,
03:46
and then I'll compare that with how computers work.
61
208000
4000
ואז אני אשווה זאת עם איך שמחשבים עובדים.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
אז הקליפ הזה הוא מרשת PBS, "החיים הסודיים של המוח"
03:54
It shows you these cells that process information.
63
216000
3000
הוא מראה לכם את התאים האלה שמעבדים אינפורמציה
03:57
They are called neurons.
64
219000
1000
הם נקראים נוירונים.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
הם שולחים פעימות קטנות של חשמל חיבורים אחד לשני,
04:04
and where they contact each other, those little pulses
66
226000
2000
ובחיבור ביניהם, הפעימות הקטנות האלה
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
של חשמל יכולות לקפוץ מנוירון אחד לשני.
04:08
That process is called a synapse.
68
230000
3000
חיבור זה נקרא סינפסה.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
יש לכם רשת ענקית של תאים המתקשרים אחד עם השני,
04:13
about 100 million of them,
70
235000
2000
בערך 100 מיליון,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
שולחים בערך 10 קוואדריליון פעימות בכל שניה.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
וזה בעיקרון מה שקורה במוח שלכם ברגע זה כשאתם צופים בזה.
04:25
How does that compare with the way computers work?
73
247000
2000
איך זה משתווה לדרך בה מחשבים עובדים?
04:27
In the computer, you have all the data
74
249000
2000
במחשב יש לכם את כל המידע
04:29
going through the central processing unit,
75
251000
2000
עוברים דרך המעבד המרכזי,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
וכל פיסת מידע בעיקרון צריכה לעבור דרך צוואר הבקבוק הזה.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
ואילו במוח, מה שיש הם הניורונים האלו
04:38
and the data just really flows through a network of connections
78
260000
4000
והמידע בעצם זורם דרך רשת של קישורים
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
בין הניורונים, אין צוואר בקבוק.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
זו באמת "עבודת רשת" (network) במלוא מובן המילה.
04:48
The net is doing the work in the brain.
81
270000
4000
הרשת עושה את העבודה.
04:52
If you just look at these two pictures,
82
274000
2000
אם רק תסתכלו על שתי התמונות האלו,
04:54
these kind of words pop into your mind.
83
276000
2000
אלו המילים שקופצות לראש.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
זה טורי ונוקשה. כמו מכוניות בכביש מהיר --
05:00
everything has to happen in lockstep --
85
282000
3000
הכל צריך לקרות בסדר נוקשה.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
לעומת זאת זה מקבילי וזורם.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
עיבוד מידע הוא מאוד דינמי וגמיש.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
אז אני לא הראשון שהבין זאת. זהו ציטוט של בריאן אנו:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"הבעיה עם מחשבים היא שאין בהם מספיק אפריקה."
05:16
(Laughter)
90
298000
6000
(צחוק)
05:22
Brian actually said this in 1995.
91
304000
3000
האמת שבריאן אמר את זה ב- 1995.
05:25
And nobody was listening then,
92
307000
3000
ואף אחד לא הקשיב אז,
05:28
but now people are beginning to listen
93
310000
2000
אבל עכשיו אנשים מתחילים להקשיב
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
בגלל שיש מולנו בעיה טכנולוגית לוחצת,
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
ואני רק אסביר לכם את זה קצת בשקופיות הבאות.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
זה -- זה בעצם שילוב מדהים
05:44
between the devices that we use to compute in computers,
97
326000
5000
בין הכלי שאנחנו משתמשים בו לחשב במחשבים,
05:49
and the devices that our brains use to compute.
98
331000
4000
לבין הכלי שהמוח שלנו משתמש בו לחשב.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
הכלי שהמחשבים משתמשים בו נקרא טרנזיסטור.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
האלקטרודה הזאת, נקראת שער, שולטת בזרם החשמלי
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
מהמקור לשפך, שתי האלקטרודות האלה.
06:04
And that current, electrical current,
102
346000
2000
והזרם הזה, זרם חשמלי,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
נישא על ידי אלקטרונים, בדיוק כמו אצלכם בבית.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
ומה שיש לכם פה, כשאתם פותחים את השער,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
אתם מקבלים עליה בכמות הזרם, ואתם מקבלים זרם קבוע.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
וכשאתם סוגרים את השער, אין כלל זרם במכשיר.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
המחשב שלכם משתמש בנוכחות הזרם כדי לייצג אחד,
06:30
and the absence of current to represent a zero.
108
372000
4000
ואת היעדר הזרם כדי לייצג אפס.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
עכשיו, מה שקורה זה שככל שהטרנזיסטורים קטנים וקטנים,
06:40
they no longer behave like this.
110
382000
2000
הם כבר לא מתנהגים ככה.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
בעצם, הם מתחילים להתנהג כמו הכלים בהם הנוירונים משתמשים כדי לחשב,
06:47
which is called an ion channel.
112
389000
2000
שנקראים תעלות יונים.
06:49
And this is a little protein molecule.
113
391000
2000
וזו מולקולת חלבון קטנה.
06:51
I mean, neurons have thousands of these.
114
393000
4000
אני מתכוון, לנוירונים יש כאלה באלפים.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
וזה יושב בממברנה של התא ויש בו נקבובית.
06:59
And these are individual potassium ions
116
401000
3000
ואלו יוני אשלגן בודדים,
07:02
that are flowing through that pore.
117
404000
2000
שזורמים דרך הנקבובית.
07:04
Now, this pore can open and close.
118
406000
2000
עכשיו, הנקבובית הזו יכולה להיסגר ולהיפתח.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
אבל, כשהיא פתוחה, בגלל שהיונים האלו צריכים להסתדר בשורה
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
ולזרום אחד אחד, אתם מקבלים אי סדר, חוסר יציבות -
07:16
it's a sporadic flow of current.
121
418000
3000
זרימת חשמל לא סדירה.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
וגם כשאתם סוגרים את הנקבובית -- מה שהנוירונים יכולים לעשות,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
הם יכולים לסגור ולפתוח את הנקבוביות האלה כדי לייצר פעילות חשמלית --
07:27
even when it's closed, because these ions are so small,
124
429000
3000
גם כשזה סגור, בגלל שהיונים האלו כל כך קטנים,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
הם יכולים להתגנב פנימה, כמה יכולים להתגנב פנימה כל פעם.
07:33
So, what you have is that when the pore is open,
126
435000
3000
אז כשהנקבובית פתוחה,
07:36
you get some current sometimes.
127
438000
2000
אתם מקבלים קצת זרם מדי פעם.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
אלה האחדים שלכם, אבל אתם מקבלים כמה אפסים בכל זאת.
07:41
And when it's closed, you have a zero,
129
443000
4000
וכשזה סגור, אתם מקבלים אפס,
07:45
but you have a few ones thrown in.
130
447000
3000
אבל אתם מקבלים קצת אחדים, אוקי.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
עכשיו, זה מתחיל לקרות בטרנזיסטורים.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
והסיבה שהדבר הזה קורה, היא שעכשיו בשנת 2007,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
הטכנולוגיה בה אנחנו משתמשים, הטרנזיסטור גדול מספיק
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
שכמה אלקטרונים יכולים לזרום דרך התעלה בו זמנית, אחד לצד השני.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
למעשה, יש בערך 12 אלקטרונים שיכולים לזרום בכיוון זה.
08:09
And that means that a transistor corresponds
136
471000
2000
וזה אומר שהטרנזיסטור מתאים
08:11
to about 12 ion channels in parallel.
137
473000
3000
לבערך 12 ערוצי יונים במקביל.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
עכשיו, בעוד כמה שנים, עד 2015, אנחנו נכווץ את הטרנזיסטורים כל כך.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
זה מה שאינטל עושה כדי להמשיך להוסיף ליבות על השבב,
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
או כרטיסי הזיכרון שיש לכם עכשיו שיכולים לאחסן ג'יגה בייט אחד
08:27
of stuff on them -- before, it was 256.
141
489000
2000
של נתונים עליהם -- לפני שזה היה 256.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
טרנסיזטורים נעשים קטנים יותר, ומאפשרים לזה לקרות,
08:32
and technology has really benefitted from that.
143
494000
3000
והטכנולוגיה ממש הרוויחה מזה.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
אבל מה שקורה עכשיו זה שעד 2015, הטרנזיסטורים עומדים להיות כל כך קטנים,
08:40
that it corresponds to only one electron at a time
145
502000
3000
שהם יתאימו לאלקטרון אחד בלבד בכל זמן
08:43
can flow through that channel,
146
505000
2000
שזורם דרך התעלה,
08:45
and that corresponds to a single ion channel.
147
507000
2000
וזה מתאים לתעלת יונים אחת.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
ואתם מתחילים לקבל את אותם פקקי תנועה שיש לכם בתעלות היונים,
08:51
The current will turn on and off at random,
149
513000
3000
הזרם ידלק ויכבה רנדומלית
08:54
even when it's supposed to be on.
150
516000
2000
אפילו כשהוא אמור להיות דולק.
08:56
And that means your computer is going to get
151
518000
2000
וזה אומר שהמחשב שלכם הולך לקבל
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
בלבול של אחדים ואפסים, וזה הולך לגרום למכונה שלכם לקרוס.
09:02
So, we are at the stage where we
153
524000
4000
אז, אנחנו בשלב בו אנחנו
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
לא באמת יודעים לחשב עם כלים מסוג כזה.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
והסוג היחיד, הדבר שאנחנו מכירים כרגע,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
שיודע לחשב בעזרת כלים כאלה, הוא המוח.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
אוקי, אז מחשב שולך פיסת מידע מסויימת מהזיכרון,
09:19
it sends it into the processor or the ALU,
158
541000
3000
הוא שולח את זה למעבד או ל ALU,
09:22
and then it puts the result back into memory.
159
544000
2000
ואז הוא מכניס את התוצאות חזרה לזיכרון.
09:24
That's the red path that's highlighted.
160
546000
2000
זה הנתיב האדום המודגש.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
הדרך בה מוחות פועלים, יש לכם את כל הניורונים האלה.
09:30
And the way they represent information is
162
552000
2000
והדרך בה הם מייצגים מידע הוא
09:32
they break up that data into little pieces
163
554000
2000
שהם מפרקים את המידע לחתיכות קטנות
09:34
that are represented by pulses and different neurons.
164
556000
3000
שמיוצגות על ידי פולסים וניורונים שונים.
09:37
So you have all these pieces of data
165
559000
2000
אז יש לכם את כל פיסות המידע הזה
09:39
distributed throughout the network.
166
561000
2000
מפוזרות בכל ברשת.
09:41
And then the way that you process that data to get a result
167
563000
3000
ואז הדרך שאתם מעבדים מידע כדי לקבל תוצאה
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
היא שאתם מתרגמים את התבנית הזו של פעילות לתבנית חדשה של פעילות,
09:48
just by it flowing through the network.
169
570000
3000
רק על ידי כך שהיא זורמת ברשת.
09:51
So you set up these connections
170
573000
2000
אז אתם מייצרים את הקשרים האלה,
09:53
such that the input pattern just flows
171
575000
3000
כך שהמידע הניכנס רק זורם
09:56
and generates the output pattern.
172
578000
2000
ויוצר את תבנית היציאה.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
מה שאתם רואים כאן זה שיש את הקשרים העודפים.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
כך שאם פיסת מידע זו או פיסת מידע זו נעלמת
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
היא לא מופיעה כאן, שתי פיסות אלה יכולות לשחזר את החלק החסר
10:11
with these redundant connections.
176
593000
2000
בעזרת הקשרים העודפים.
10:13
So even when you go to these crappy devices
177
595000
2000
אז גם אם אתם הולכים לכלים הדפוקים האלה
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
בהם אתם לפעמים רוצים אחד ומקבלים אפס,
10:18
there's redundancy in the network
179
600000
2000
יש עודפים במערכת
10:20
that can actually recover the missing information.
180
602000
3000
שיכולים לשחזר את המידע החסר.
10:23
It makes the brain inherently robust.
181
605000
3000
זה עושה את המוח חסין מטבעו.
10:26
What you have here is a system where you store data locally.
182
608000
3000
מה שיש לכם פה היא מערכת בה אתם מאחסנים מידע מקומי.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
והיא שברירית, כי כל אחד מהשלבים צריך להיות מושלם,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
אחרת אתם מאבדים את המידע. לעומת זאת במוח, יש לכם מערכת
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
שמאכסנת מידע בצורה מפוזרת, והיא חסינה.
10:40
What I want to basically talk about is my dream,
186
622000
4000
מה שאני רוצה בעצם לדבר עליו הוא החלום שלי,
10:44
which is to build a computer that works like the brain.
187
626000
3000
שהוא לבנות מחשב שעובד כמו המוח.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
זה משהו שאנחנו עובדים עליו במשך השנתיים האחרונות.
10:51
And I'm going to show you a system that we designed
189
633000
3000
ואני עומד להראות לכם מערכת שתיכננו
10:54
to model the retina,
190
636000
3000
למדל את הרשתית,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
שהיא חלק מהמוח שמכסה את פנים גלגל העין.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
לא עשינו זאת בעזרת כתיבת קוד, כמו שאתם עושים במחשב.
11:08
In fact, the processing that happens
193
650000
3000
למעשה, התהליך שמתרחש
11:11
in that little piece of brain is very similar
194
653000
2000
בחלק המוח הקטן הזה מאוד דומה
11:13
to the kind of processing that computers
195
655000
1000
לסוג החישובים שעושים מחשבים
11:14
do when they stream video over the Internet.
196
656000
4000
כשהם שולחים וידאו דרך האינטרנט.
11:18
They want to compress the information --
197
660000
1000
הם רוצים לכווץ את המידע --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
הם רק רוצים לשלוח את השינויים המתחדשים בתמונה וכך הלאה --
11:23
and that is how your eyeball
199
665000
3000
וככה גלגל העין שלכם
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
מסוגל לכווץ את כל האינפורמציה הזאת אל עצב הראייה,
11:29
to send to the rest of the brain.
201
671000
2000
כדי לשלוח אותה אל שאר המוח.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
במקום לעשות זאת בעזרת תוכנה, או לעשות את הסוגים האלה של אלגוריתמים,
11:34
we went and talked to neurobiologists
203
676000
3000
הלכנו ודיברנו עם נוירו-ביולוגים
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
שבעצם ביצעו הנדסה הפוכה לחלק הזה של המוח שנקרא רשתית.
11:41
And they figured out all the different cells,
205
683000
2000
והפ פיענחו את כל התאים השונים,
11:43
and they figured out the network, and we just took that network
206
685000
3000
והם פיענחו את הרשת, ואנחנו פשוט לקחנו את הרשת הזאת
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
והשתמשנו בה כתשתית לעיצוב של שבב סיליקון.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
אז עכשיו הנוירונים מיוצגים על ידי צמתים או מעגלים על השבב,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
והקישורים בין הנוירונים בעצם ממודלים על ידי טרנזיסטורים
12:01
And these transistors are behaving essentially
210
703000
2000
והטרנזיסטורים האלה מתנהגים בעצם
12:03
just like ion channels behave in the brain.
211
705000
3000
בדיוק כמו שתעלות היונים מתנהגות במוח.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
זה יתן לכם בדיוק את אותו סוג של ארכיטקטורה חסינה שתיארתי.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
כך למעשה נראית העין המלאכותית שלנו.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
שבב הרשתית שעיצבנו יושב מאחורי העדשה הזו פה.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
והשבב -- אני עומד להראות לכם וידאו
12:22
that the silicon retina put out of its output
216
724000
3000
שרשתית הסיליקון הוציאה בפלט
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
כשהיא הסתכלה על קארים זאגול,
12:28
who's the student who designed this chip.
218
730000
2000
שהוא הסטודנט שעיצב את השבב הזה.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
תנו לי להסביר מה אתם עובדים לראות, אוקי.
12:32
because it's putting out different kinds of information,
220
734000
3000
כי זה מוציא סוגים שונים של מידע,
12:35
it's not as straightforward as a camera.
221
737000
2000
זה לא ישיר כמו מצלמה.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
שבב רשתית מחלץ ארבע סוגים של מידע.
12:40
It extracts regions with dark contrast,
223
742000
3000
הוא מחלץ אזורים עם ניגודיות כהה,
12:43
which will show up on the video as red.
224
745000
3000
שיופיעו על הוידאו באדום.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
והוא מחלץ אזורים לבנים או בעלי ניגודיות בהירה,
12:50
which will show up on the video as green.
226
752000
2000
שיופיעו בוידאו בירוק.
12:52
This is Kareem's dark eyes
227
754000
2000
אלו הן העיניים הכהות של קארים
12:54
and that's the white background that you see here.
228
756000
3000
וזה הרקע הלבן שאתם רואים כאן.
12:57
And then it also extracts movement.
229
759000
2000
ואז הוא גם מחלץ תנועה.
12:59
When Kareem moves his head to the right,
230
761000
2000
כשקארים מזיז את ראשו לימין,
13:01
you will see this blue activity there;
231
763000
2000
אתם תראו את הפעילות הכחולה פה,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
זה מייצג אזורים בהם הניגודיות גדלה בתמונה,
13:06
that's where it's going from dark to light.
233
768000
3000
זה היכן שזה משתנה מכהה לבהיר.
13:09
And you also see this yellow activity,
234
771000
2000
ואתם גם רואים את הפעילות הצהובה הזאת,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
שמייצגת אזורים בהם הניגודיות קטנה,
13:15
it's going from light to dark.
236
777000
2000
זה משתנה מבהיר לכהה.
13:17
And these four types of information --
237
779000
3000
וארבעה סוגי מידע אלה --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
בעצב הראייה שלכם יש בערך מיליון סיבים,
13:24
and 900,000 of those fibers
239
786000
3000
ו-900,000 מתוך הסיבים האלה
13:27
send these four types of information.
240
789000
2000
שולחים את ארבע הסוגים האלה של אינפורמציה.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
אז אנחנו למעשה משכפלים את האותות שיש לכם בעצב הראיה.
13:33
What you notice here is that these snapshots
242
795000
3000
מה שאתם שמים אליו לב כאן הוא שהתמונות
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
שנלקחו מהפלט של שבב הרשתית הן מאוד דלילות.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
זה לא צבוע בירוק בכל מקום ברקע,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
אלא רק בקצוות, וכך הלאה.
13:45
And this is the same thing you see
246
807000
1000
וזה אותו הדבר שאתם רואים
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
כשאנשים מכווצים וידאו לשליחה: הם רוצים לעשות אות זה מאוד דליל,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
כיוון שהקובץ הזה קטן יותר. וזה מה שהרשתית עושה,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
והיא עושה זאת רק באמצעות המעגלים, ואיך שהרשת הזאת של ניורונים
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
שמתקשרים שם בפנים, שאנחנו תפסנו על השבב.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
אבל הנקודה שאני רוצה להעביר, אני אראה לכם כאן למעלה.
14:03
So this image here is going to look like these ones,
252
825000
3000
אז התמונה הזו כאן עומדת להיראות כמו אלה,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
אבל כאן אני אראה לכם שאנחנו יכולים להרכיב מחדש את התמונה,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
אז, אתם יודעים, אתם כמעט יכולים לזהות את קארים בחלק העליון הזה שם.
14:13
And so, here you go.
255
835000
2000
הנה.
14:24
Yes, so that's the idea.
256
846000
3000
כן, אז זה הרעיון.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
כשאתם לא זזים, אתם רק רואים את הניגודיות הכהה והבהירה.
14:29
But when it's moving back and forth,
258
851000
2000
אבל כשאתם זזים הלוך ושוב,
14:31
the retina picks up these changes.
259
853000
3000
הרשתית קולטת את השינויים האלה.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
וזו הסיבה, אתם יודעים, כשאתם יושבים כאן
14:35
and something happens in your background,
261
857000
2000
ומשהו קורה ברקע שלכם,
14:37
you merely move your eyes to it.
262
859000
2000
אתם רק מזיזים את העיניים אליו.
14:39
There are these cells that detect change
263
861000
2000
יש את התאים האלה שמזהים שינויים
14:41
and you move your attention to it.
264
863000
2000
ואתם מסיטים את תשומת הלב שלכם לזה.
14:43
So those are very important for catching somebody
265
865000
2000
אז אלו מאוד חשובים בשביל לתפוס מישהו
14:45
who's trying to sneak up on you.
266
867000
2000
שמנסה להתגנב מאחוריכם.
14:47
Let me just end by saying that this is what happens
267
869000
3000
תנו לי רק לסיים ולהגיד לכם שזה מה שקורה
14:50
when you put Africa in a piano, OK.
268
872000
3000
כשאתה מכניס את אפריקה לפסנתר, אוקי.
14:53
This is a steel drum here that has been modified,
269
875000
3000
זהו תוף ברזל כאן שעבר שינוי,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
וזה מה שקורה כשאתה מכניס את אפריקה לפסנתר.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
ומה שאני הייתי רוצה שנעשה, זה להכניס את אפריקה למחשב,
15:03
and come up with a new kind of computer
272
885000
2000
ולהמציא סוג חדש של מחשב
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
שייצר מחשבות, דמיון, יצירתיות ודברים כאלה.
15:08
Thank you.
274
890000
2000
תודה.
15:10
(Applause)
275
892000
2000
(מחיאות כפיים)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
כריס אנדרסון: שאלה אלייך, קוואבנה.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
האם אתה מחבר בדמיונך את העבודה שאתה עושה,
15:18
the future of Africa, this conference --
278
900000
3000
העתיד של אפריקה, הכנס הזה --
15:21
what connections can we make, if any, between them?
279
903000
3000
איזה קישורים אנחנו יכולים לעשות, אם בכלל, ביניהם?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
קוואבנה בואהן: כן. כמו שאמרתי בהתחלה.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
קיבלתי את המחשב הראשון שלי כשהייתי נער מתבגר באקרה.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
והייתה לי תחושת בטן שזו לא הדרך הנכונה לעשות זאת.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
זה היה מאוד כוחני, זה היה מאוד לא אלגנטי.
15:37
I don't think that I would've had that reaction,
284
919000
2000
אני לא חושב שהיתה לי התגובה הזאת,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
אם הייתי גדל בקריאת כל המדע הבדיוני הזה,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
שומע על RD2D2, איך שלא קראו לזה, ורק -- אתה יודע,
15:46
buying into this hype about computers.
287
928000
1000
נשאב לתוך ההגזמה הזאת על מחשבים.
15:47
I was coming at it from a different perspective,
288
929000
2000
אני הסתכלתי על זה מפרספקטיבה אחרת,
15:49
where I was bringing that different perspective
289
931000
2000
והבאתי את הפרספקטיבה האחרת הזאת
15:51
to bear on the problem.
290
933000
2000
להתבוננות על הבעיה.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
ואני חושב שלהרבה אנשים באפריקה יש את הפרספקטיבה האחרת הזאת,
15:56
and I think that's going to impact technology.
292
938000
2000
ואני חושב שזה הולך להשפיע על הטכנולוגיה.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
וזה הולך להשפיע על צורת ההתפתחות שלה.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
ואני חושב שאתם תוכלו לראות, להשתמש בהיתוך הזה,
16:02
to come up with new things,
295
944000
2000
כדי להמציא דברים חדשים,
16:04
because you're coming from a different perspective.
296
946000
3000
כי אתם מגיעים מפרספקטיבה אחרת.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
אני חושב שאנחנו יכולים לתרום, אנחנו יכולים לחלום כמו כל אחד אחר.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
כריס אנדרסון: תודה קוואבנה, זה היה מאוד מעניין.
16:13
Thank you.
299
955000
1000
תודה לך.
16:14
(Applause)
300
956000
2000
(מחיאות כפיים)
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