TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins arról, hogy hogyan fogja az agytudomány megváltoztatni a számítástudományt
Filmed:
Readability: 3.2
1,674,773 views
A Treo megalkotója, Jeff Hawkins arra ösztökél, hogy új szemszögből nézzünk az agyra. Ne egy gyors processzornak tekintsük, hanem egy memóriarendszernek, amely tapasztalatokat tárol és játszik vissza, hogy intelligensen megjósolhassuk, mi fog történni.
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
Két dolgot csinálok. Mobil számítógépeket tervezek és az agyat tanulmányozom.
00:29
And today's talk is about brains and,
1
4000
2000
A mai előadás pedig az agyról szól, és ...
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
hurrá, valahol van egy agy-rajongó.
00:33
(Laughter)
3
8000
2000
(Nevetés)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Ha kérhetném az első slide-omat megjeleníteni,
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
látható lesz az előadásom címe és a két vállalatom.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Amiről tehát beszélni fogok az, hogy miért is nincs egy jó agyelméletünk,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
miért lenne fontos ennek a kidolgozása, és mit tudunk tenni ennek érdekében.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
És mindezt megpróbálom 20 perc alatt megtenni. Két vállalatom van.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
A többség bizonyára a Palm és Handspring-es napjaimból ismer,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
de vezetek egy nonprofit tudományos kutatóintézetet is
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
a Menlo Parkban, Redwood Neuroscience Institute névvel,
00:59
and we study theoretical neuroscience,
12
34000
2000
ahol elméleti idegtudománnyal foglalkozunk
01:01
and we study how the neocortex works.
13
36000
2000
és a neokortex működését tanulmányozzuk.
01:03
I'm going to talk all about that.
14
38000
2000
És erről fogok beszélni.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Van egy slide-om a másik életemről, a számítógépes életről, ez látható most.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Ez itt néhány termék, amelyen az utóbbi 20 évben dolgoztam,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
kezdve a laptoptól az első tablet pc-kig
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
és így tovább, egészen a legújabb Treo-ig,
01:17
and we're continuing to do this.
19
52000
2000
és ezt a továbbiakban is folytatjuk.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Tettem ezeket azért, mert hiszem, hogy a mobil számítástechnika
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
a személyi számítástechnika jövője, és ezeken dolgozva
01:24
a little bit better by working on these things.
22
59000
3000
megpróbálom a világot egy kicsivel jobbá tenni.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
De ez, be kell, hogy valljam, a véletlen műve volt.
01:29
I really didn't want to do any of these products
24
64000
2000
Én valójában nem akartam egyik ilyen terméket sem kifejleszetni,
01:31
and very early in my career I decided
25
66000
2000
és már a pályafutásom kezdetén elhatároztam,
01:33
I was not going to be in the computer industry.
26
68000
3000
hogy nem szállok be a számítógépiparba.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Mielőtt ezt elmesélném, elmondom
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
a kis Graffitis kép történetét, amit a minap szedtem le a webről.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
A Graffitiről kerestem képet, a kézírásfelismerő programról,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
és találtam egy tanároknak ajánlott weboldalt, akik ilyen
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
kezírásos betűket akarnak a tábla tetejére tenni,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
és Graffitist is tettek hozzá, szóval bocsánatot kérek.
01:52
(Laughter)
33
87000
2000
(Nevetés)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Tehát az történt, hogy amikor fiatal voltam és kijöttem a mérnökiről,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
a Cornellről '79-ben, eldöntöttem, hogy elmegyek az Intelhez dolgozni.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
A számítógépiparban voltam, és három hónap alatt
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
beleszerettem valami másba, és azt mondtam "rossz pályát választottam",
02:10
and I fell in love with brains.
38
105000
3000
és beleszerettem az agyba.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Ez nem egy igazi agy. Csak egynek a képe, egy vonalrajz.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Nem emlékszem, pontosan hogy is történt,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
de van egy emlékem, ami elég erősen megmaradt a fejemben.
02:22
In September 1979, Scientific American came out
42
117000
3000
1979 szeptemberében a Scientific American
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
kijött egy tematikus számmal az agyról. És egész jó volt.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
A valaha megjelent egyik legjobb szám volt. És beszéltek a neuronról,
02:31
and development and disease and vision and all the things
45
126000
2000
a fejlődésről, a betegségekről, a látásról és mindenről,
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
amit tudni szeretnénk az agyról. Teljesen lenyűgöző volt.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
És azt a benyomást kelthették, hogy tényleg sokat tudunk az agyról.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
De a szám utolsó cikkét a DNS-ről elhíresült Francis Crick írta.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Ma, azt hiszem, a DNS felfedezésének 50-edik születésnapját ünnepeljük.
02:46
And he wrote a story basically saying,
50
141000
2000
És ő írt egy történetet, amelyben alapjában véve azt mondja,
02:48
well, this is all well and good, but you know what,
51
143000
3000
hogy ez mind nagyon szép és jó, de mondok valamit,
02:51
we don't know diddley squat about brains
52
146000
2000
az égvilágon semmit sem tudunk az agyról
02:53
and no one has a clue how these things work,
53
148000
2000
és halvány gőze sincs senkinek arról, hogyan működenek ezek a dolgok,
02:55
so don't believe what anyone tells you.
54
150000
2000
tehát ne higgyétek el, amit mások mondanak nektek.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Egy idézet a cikkből. Azt mondta "Ami szembetűnően hiányzik,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
ő egy valódi angol úriember, tehát "Ami szembetűnően hiányzik,
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
az egy átfogó keretrendszer, amelyben értelmeznénk ezeket az eltérő megközelítéseket."
03:07
I thought the word framework was great.
58
162000
2000
Azt gondoltam, hogy a keretrendszer szó nagyszerű.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Nem mondja, hogy még csak elméletünk sincs. Azt mondja,
03:11
we don't even know how to begin to think about it --
60
166000
2000
hogy még csak azt sem tudjuk, hogyan kezdjünk el gondolkozni róla,
03:13
we don't even have a framework.
61
168000
2000
még csak egy keretrendszerünk sincs.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Thomas Kuhn szavait használva, a pre-paradigma napjaiban élünk.
03:18
And so I fell in love with this, and said look,
63
173000
3000
És így beleszerettem ebbe, és azt mondtam, nézd,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
ismerjük ezeket a dolgokat az agyról. Mennyire lehet ez nehéz?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
Ezen egy életen át lehet dolgozni. Úgy éreztem, hogy itt tudnék valamit tenni,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
ezért megpróbáltam átlépni a számítógépes üzletből az agy-üzletbe.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Először elmentem az MIT-hoz, az MI laboratóriumba,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
és azt mondtam, hogy nos, én is intelligens gépeket akarok építeni,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
de oly módon, hogy először az agy működését tanulmányozom.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
És ők azt mondták, hogy ó, nincs arra szükség.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Mi csak számítógépeket programozunk, ennyi nekünk elég.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Azt mondtam, tényleg tanulmányoznotok kellene az agyat. Ők azt mondták,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
tévedsz. Erre én azt mondtam, ti tévedtek, és nem kerültem be.
03:48
(Laughter)
74
203000
1000
(Nevetés)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Egy kicsit csalódott voltam, és eléggé fiatal, de néhány évvel később
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
visszamentem, ezúttal Kaliforniába, és elmentem a Berkeley-re.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
És azt gondoltam, a biológiai oldalról fogom megközelíteni.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Tehát bejutottam a doktorátusra biofizikából, és azt gondoltam, rendben,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
mostmár az agyat tanulmányozom. Az elméletet akartam tanulmányozni.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Erre ők azt mondták, hogy ó, nem, nem tanulmányozhatod az agy elméletét.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Ezt nem fogod csinálni. Erre nem kapsz finanszírozást.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
És végzős hallgatóként ezt nem teheted. Erre azt gondoltam, ó, istenem.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Nagyon szomorú lettem. Azt mondtam, én akkor is el tudok érni valamit.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Így azt tettem, hogy visszatértem a számítógépiparhoz,
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
és azt mondtam magamnak, nos, itt kell dolgozz egy ideig, csinálj valamit.
04:20
That's when I designed all those computer products.
86
235000
3000
Ekkor terveztem azokat a számítógépes termékeket.
04:23
(Laughter)
87
238000
1000
(Nevetés)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
És azt mondtam, hogy négy évig csinálom ezt, szerzek egy kis pénzt,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
mivel családom is volt, és kicsit érettebbé válok,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
és hátha az idegtudomány is érettebbé válik egy kicsit.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Hát, tovább tartott négy évnél. Körülbelül 16 évet.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
De most ezt csinálom, és erről fogok beszélni.
04:39
So why should we have a good brain theory?
93
254000
3000
Miért lenne szükségünk egy jó agyelméletre?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Hát, elég sok oka van annak, hogy az emberek tudománnyal foglalkoznak.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Az egyik, a legalapvetőbb az, hogy az emberek szeretnek megtudni dolgokat.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Kíváncsiak vagyunk, elmegyünk és megszerezzük a tudást.
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Miért tanulmányozzuk a hangyákat? Hát, mert érdekes.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Lehet, hogy megtudunk valami ténylegesen hasznosat is, de érdekes és lenyűgöző.
04:55
But sometimes, a science has some other attributes
99
270000
2000
De néha más sajátosságai
04:57
which makes it really, really interesting.
100
272000
2000
teszik a tudományt igazán érdekfeszítővé.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Egy tudomány olykor saját magunkról mond el valamit,
05:02
it'll tell us who we are.
102
277000
1000
megmondja, kik vagyunk.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Az evolúció megmagyarázta, Kopernikusz megmagyarázta,
05:06
where we have a new understanding of who we are.
104
281000
2000
és egy új magyarázatot kaptunk arra, hogy kik is vagyunk.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
És elvégre mi a saját agyunk vagyunk. Az én agyam a te agyadhoz beszél.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
A testünk is ott van, de az agyam beszél a te a agyadhoz.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
És ha meg akarjuk érteni, kik vagyunk és hogyan érzünk és érzékelünk,
05:18
we really understand what brains are.
108
293000
2000
valójában az agyunkat akarjuk megérteni.
05:20
Another thing is sometimes science
109
295000
2000
Másrészt a tudomány néha
05:22
leads to really big societal benefits and technologies,
110
297000
2000
nagy társadalmi haszonhoz, technológiához
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
vagy üzletekhez vezet, vagy akármihez. És ez is az,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
mivel ha megértjük, hogyan műküdik az agy, képesek leszünk
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
intelligens gépeket építeni, és úgy gondolom, hogy ez egészében véve jó dolog,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
és óriási hasznára válik a társadalomnak,
05:34
just like a fundamental technology.
115
309000
2000
mint egy alapvető technológia.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Tehát miért is nincs egy jó elméletünk az agyról?
05:38
And people have been working on it for 100 years.
117
313000
3000
Pedig 100 éve dolgoznak rajta az emberek.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Először is nézzük meg, hogyan is néz ki egy normális tudomány.
05:43
This is normal science.
119
318000
2000
Ez egy normális tudomány.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Egy normális tudomány egy szép egyensúly az elmélet és a kísérlet között.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Az elméleti fickók azt mondják, nos, azt hiszem ez megy végbe,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
a kísérletezők pedig azt mondják, nem, tévedsz.
05:53
And it goes back and forth, you know?
123
328000
2000
És ez így megy oda-vissza.
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Ez működik a fizikában. Működik a geológiában. De ha ez a normális tudomány,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
hogyan néz ki az idegtudomány? Így néz ki az idegtudomány.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Van ez a hegyoldalnyi adat, ami valójában anatómia, pszichológia és viselkedés.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
El sem tudják képzelni, mennyi részletet tudunk az agyról.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Összesen 28000 ember vett részt az idei idegtudományi konferencián,
06:12
and every one of them is doing research in brains.
129
347000
2000
és mindegyikük az agyat kutatja.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Rengeteg adat. De nincs elmélet. Ott van egy kicsi tehetetlen doboz az egésznek a tetején.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Az elmélet soha nem kapott nagy szerepet a idegtudományban.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
És ez egy igazi szégyen. Miért történt mindez?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Ha megkérdezzük a idegtudósokat, hogy miért ez a helyzet?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
Először is bevallják, hogy így van. De ha megkérdezzük őket, azt fogják mondani,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
nos, többféle oka is van annak, hogy nincs egy jó agyelméletünk.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Egyesek azt mondják, hogy még mindig nincs elég adatunk,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
több információra van szükség, itt van ez a csomó dolog, amit nem tudunk.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Nemrég mondtam, olyan sok adatunk van, hogy már a fülünkön is az folyik ki.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Nagyon sok információnk van, de nem tudjuk, hogyan rendezzük azokat.
06:45
What good is more going to do?
140
380000
2000
Mire lenne jó ennél is több?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Talán szerencsénk lesz és felfedezünk valamilyen mágikus dolgot, ezt nem igazán hiszem.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Ez tulajdonképpen annak a tünete, hogy nincs elméletünk.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Nincs szükségünk több adatra, egy jó elméletre van szükségünk azokra vonatkozóan.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Néha az emberek azt mondják, hogy az agy annyira bonyolult,
06:59
it'll take another 50 years.
145
394000
2000
még 50 évbe beletelik.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Azt hiszem, éppen Chris mondott valami hasonlót tegnap.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Nem vagyok benne biztos, hogy mit mondtál, Chris, de valami olyasmit,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
hogy az egyik legbonyolultabb dolog a világegyetemben. Ez nem igaz.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Te sokkal bonyolultabb vagy az agyadnál. Neked részed az agyad.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
És habár az agy nagyon bonyolultnak tűnik,
07:12
things look complicated until you understand them.
151
407000
3000
a dolgok csak addig tűnnek bonyolultnak, amíg meg nem értjük őket.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Mindig is ez volt a helyzet. Mondhatjuk, hogy
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
a neokortexem, az agyterület, ami engem érdekel, 30 milliárd sejtet tartalmaz.
07:22
But, you know what? It's very, very regular.
154
417000
2000
De mondjak valamit? Nagyon, de nagyon szabályos.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Tulajdonképpen ugyanaz a dolog van megismételve sokszor egymás után.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Nem olyan összetett, mint ahogy látszik. Nem ez a lényeg.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Egyesek azt mondják, az agy nem tudja megérteni az agyat.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Nagyon zenként hangzik. Úú. Tudják ...
07:35
You know,
159
430000
1000
(Nevetés)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Hangzani jól hangzik, de miért? Úgy értem, mi az értelme?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
Csak egy halom sejt. A tündőnket értjük.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Abban is egy halom sejt van, igaz?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Ezért én nem hiszem, hogy ennél több lenne.
07:46
And finally, some people say, well, you know,
164
441000
2000
Erre egyes emberek azt mondják, hogy
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
én nem egy kupac sejtnek érzem magam. Én tudatos vagyok.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Tudatos vagyok, a világon vagyok.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Nem lehetek csak egy kupac sejt. Nos,
07:56
people used to believe there was a life force to be living,
168
451000
3000
az emberek hajlamosak azt hinni, hogy létezett egy bizonyos életerő, amely az életet létrehozta,
07:59
and we now know that's really not true at all.
169
454000
2000
de ma már tudjuk, hogy ez egyáltalán nem igaz.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
És valójában nincs olyan bizonyíték, az emberek
08:04
just have disbelief that cells can do what they do.
171
459000
2000
hitetlenkedésén túl, hogy a sejtek képesek minderre.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Még ha néhányan bele is estek a metafizikai dualizmus vermébe,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
néhány igazán eszes ember is, elvethetjük ezt az egészet.
08:12
(Laughter)
174
467000
2000
(Nevetés)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Nem, én elmondom önöknek, hogy másról van szó,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
egy nagyon alapvető dologról, és ez a következő:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
egy másik oka annak, hogy nincs egy jó agyelméletünk az,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
hogy egy intuitív, beidegződött
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
de helytelen feltevésünk meggátolt minket a válasz meglátásától.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Van valami, amit nyilvánvalónak tartunk, de helytelenül.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Ennek múltja van a tudományban, és mielőtt elmondanám, hogy mi is ez,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
elmondok egy keveset ennek múltjáról a tudományban.
08:38
You look at some other scientific revolutions,
183
493000
2000
Most néhány forradalmi jelentőségű tudományos felfedezést láthatnak,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
éspedig a naprendszert, ez Kopernikusz nevéhez fűződik,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
Darwin evolúcióelméletét és a lemeztektonikát, ami Wegener elmélete.
08:45
They all have a lot in common with brain science.
186
500000
3000
Mindegyik sok hasonlóságot mutat az agytudománnyal.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Először is mindenhol nagyon sok tisztázatlan adat volt. Nagyon sok.
08:51
But it got more manageable once they had a theory.
188
506000
3000
De egyből kezelhetőbbé vált, amint volt egy elmélet.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
A legnagyobb elméket, a nagyon de nagyon eszes embereket is zavarba ejtették.
08:57
We're not smarter now than they were then.
190
512000
2000
Mi sem vagyunk okosabbak, mint ők voltak akkor.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Rájövünk, hogy nagyon nehéz gondolkodni a dolgokról,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
de ha egyszer gondolkoztunk, elég könnyen megértjük azokat.
09:03
My daughters understood these three theories
193
518000
2000
A lányaim is megértették ezt a három elméletet
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
még óvodás korukban.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Nem olyan nehéz, tudják, itt az alma, itt a narancs,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
a Föld körbemegy, valahogy így.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Valójában a válasz mindvégig ott volt,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
de valahogy figyelmen kívül hagytuk emiatt a magától értetődőség miatt, és ez az a valami.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Egy intuitív, beidegződött meggyőződés, ami helytelen volt.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
A naprendszer esetében a gondolat, hogy a Föld forog,
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
és a Föld felülete körülbelül ezer mérföldes sebességgel mozog,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
és a Föld körülbelül egymillió mérföldes sebességgel száguld a naprendszeren keresztül.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Ez őrültség. Mindannyian tudjuk, hogy a Föld nem mozog.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Te úgy érzed, hogy ezer mérföldes sebességgel mozogsz?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Persze, hogy nem. Ha valaki azt mondta volna,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
hogy körbe forog az űrben és olyan hatalmas,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
azt bezárták volna, és ezt meg is tették akkoriban.
09:41
(Laughter)
208
556000
1000
(Nevetés)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Tehát intuitív és nyilvánvaló volt. Mi a helyzet az evolúcióval?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
Az evolúció ugyanaz a mese. Azt tanítottuk a gyermekeinknek, hogy a Biblia azt mondja,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
Isten teremtette az összes fajt, a macskák macskák, a kutyák kutyák,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
az emberek emberek, a növények növények, és ezek nem változnak.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noé ilyen sorrendben vitte fel őket a bárkájára, bla, bla, bla. A helyzet az,
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
hogy ha hiszünk az evolúciónak, akkor egyetlen közös őstől származunk,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
és nekünk valamint az előszobai növénynek közös őseink vannak.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Ezt mondja nekünk az evolúció. És ez az igazság. Mennyire hihetetlen.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
És ugyanez a helyzet a tektonikai lemezekkel is.
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Az összes hegy és kontinens valahogy
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
a Föld tetején úszik. Ennek sincs semmi értelme.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Tehát, mi az az intuitív de helytelen feltevés,
10:20
that's kept us from understanding brains?
221
595000
2000
ami meggátolt minket az agy megértésében?
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
Ezt fogom most most elmondani, és nyilvánvaló lesz, hogy ez helyes,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
és ez a lényeg, rendben? Ezután meg kell majd indokolnom,
10:26
why you're incorrect about the other assumption.
224
601000
2000
hogy miért is tévednek a másik feltevéssel kapcsolatban.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
Az intuitív, de nyilvánvaló dolog az, hogy valamilyen módon az intelligenciát
10:31
is defined by behavior,
226
606000
2000
a viselkedés határozza meg,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
vagyis intelligensek vagyunk, amiatt ahogyan teszünk dolgokat
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
és mert intelligensen viselkedünk, de elárulom, hogy ez helytelen.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Valójában az intelligenciát a predikció határozza meg.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
A következő néhány slide-on ezen fogunk végigmenni,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
és adok egy példát arra, hogy ez mit is jelent. Ez egy rendszer.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
A mérnökök szeretnek így tekinteni egy rendszerre. A tudósok szeretnek így tekinteni egy rendszerre.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Azt mondják, van valami egy dobozban, továbbá vannak bemeneteink es kimeneteink.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Az MI-sek azt mondják, hogy a dolog a dobozban egy programozható számítógép,
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
mivel az egyenértékű egy aggyal, adunk neki valamilyen bemenetet,
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
és az produkálni fog valamit, valamilyen viselkedést.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Alan Turing definiálta a Turing-tesztet, ami tulajdonképpen azt mondja,
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
hogy valami intelligens, ha az emberhez hasonlóan viselkedik.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Az intelligenciának egy viselkedési metrikája,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
amely hosszú ideig megragadt az eszünkben.
11:12
Reality though, I call it real intelligence.
241
647000
2000
A valóságot azonban én az igazi intelligenciának nevezem.
11:14
Real intelligence is built on something else.
242
649000
2000
Az igazi intelligencia valami máson alapszik.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
A világot minták sorozatán keresztül ismerjük meg, eltároljuk azokat,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
majd visszaemlékezünk rájuk. És amikor visszaemlékszünk, összevetjük azokat
11:23
against reality, and we're making predictions all the time.
245
658000
4000
a valósággal, és minden alkalommal jóslást végzünk.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
Ez egy állandó metrika. Van egy állandó metrika, amely valami olyasmit mond,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
értjük mi a világot? Most jóslásokat végzek? És így tovább.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Mindenki önök közül intelligens, pedig nem is csinálnak semmit.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Lehet, hogy egyesek vakaróznak, piszkálják az orrukat,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
nem tudom, de épp most nem csinálnak semmit,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
azonban intelligensek, értik, amit mondok.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Mivel mindenki intelligens és beszél angolul,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
ezért tudják, hogy milyen
11:45
sentence.
254
680000
2000
szó lesz a végén ennek a ... mondatnak.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Megtalálták a szót, és ilyen predikciókat végeznek minden alkalommal.
11:50
And then, what I'm saying is,
256
685000
2000
Az akarom mondani,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
hogy az állandó jóslás a neokortex kimenete.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
És valahogyan a jóslás intelligens viselkedéshez vezet.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
És ez a következőképpen történik. Kezdjük egy nem-intelligens aggyal.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Egy nem-intelligens aggyal fogok érvelni, vegyünk egy régi agyat,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
mondjuk egy nem-emlős agyat, például hüllőt,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
például egy aligátort. Van egy aligátorunk.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Az aligátornak nagyon kifinomult érzékei vannak.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Nagyon jó szeme van és hallása és tapintóérzéke és így tovább,
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
szája és orra. Nagyon bonyolult viselkedéssel rendelkezik.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Tud szaladni és el tud rejtőzni. Vannak félelmei és érzelmei. Meg tudja enni önöket.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Tud támadni. Mindenféle dolgot tud csinálni.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
De mi nem igazán tekintjük az aligátort nagyon intelligensnek, legalábbis nem úgy mint az embereket.
12:32
But it has all this complex behavior already.
269
727000
2000
De akkor is rendelkezik ezzel a bonyolult viselkedéssel.
12:34
Now, in evolution, what happened?
270
729000
2000
Mi történt az evolúció során?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Az első dolog, ami az evolúció során történt az emlősökkel az,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
hogy elkezdtük kifejleszteni ezt a neokortexnek nevezett dolgot.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Itt a neokortexet ez a kis doboz
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
fogja ábrázolni, a régi agy tetejére illesztve.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
A neokortex egy új réteget jelent. Egy új réteget az agyunkon.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Ha még nem ismerik, ez az a barázdás dolog a fejünk tetején, ami
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
azért lett barázdás, mert betuszkolták oda és nem fér el.
12:54
(Laughter)
278
749000
1000
(Nevetés)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Nem, tényleg, ez így van. Körülbelül egy asztalkendő méretű.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
És nem fér el, tehát összegyűrődik. Most figyeljék meg, hogyan rajzoltam itt le.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
A régi agy még mindig itt van. Mindenkinek aligátoragya van.
13:04
You do. It's your emotional brain.
282
759000
2000
Mindenkinek. Ez az érzelmi agyunk.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Mindezek a dolgok és az ösztönös reakcióink.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
És mindennek a tetején ott van ez a memóriarendszer, amit neokortexnek nevezünk.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
És a memóriarendszer az agy érzékelési részén ül.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
És így, amint az érzékelt dolog bejön majd továbbmegy a régi agyból,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
felmegy a neokortexbe is. És a neokortex csak tárol.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Ott ül és azt mondja, eltárolok minden dolgot amit történik,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
ahol voltam, az embereket, akiket láttam, a dolgokat, amit hallottam, és így tovább.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
És a jövőben, ha valami ezekhez hasonlót lát,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
tehát egy hasonló környezetben vagy ugyanabban a környezetben,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
akkor visszajátssza. Elkezdi visszajátszani.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Ó, jártam én már itt. És amikor ezelőtt itt voltunk,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
ez történt ezután. Lehetővé teszi, hogy megjósoljuk a jövőt.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Szó szerint visszacsatolja a jeleket az agyunkba,
13:47
they'll let you see what's going to happen next,
296
802000
2000
megmutatja mi fog történni a következő pillanatban,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
megmondja a "mondat" szót, mielőtt én kimondanám.
13:52
And it's this feeding back into the old brain
298
807000
3000
És ez a régi agyba való visszacsatolás az,
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
ami alapján sokkal intelligensebb döntésekre vagyunk képesek.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Ez az előadásom legfontosabb slide-ja, ezért el fogok időzni kicsit ennél.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Tehát egyfolytában azt mondjuk, ó, meg tudom jósolni a dolgokat.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
És ha egy patkány vagyok és keresztülmegyek egy labirintuson, és megtanulom a labirintust,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
a következő alkalommal, amikor egy labirintusban leszek, ugyanúgy fogok viselkedni,
14:10
but all of a sudden, you're smarter
304
825000
2000
de hirtelen sokkal okosabb leszek,
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
mert felismerem a labirintust, tudom, merre kell mennem,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
már jártam itt, előre tudom vetíteni a jövőt. És ez az mit csinál.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Az emberek esetében, egyébként ez igaz minden emlősre,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
igaz más emlősökre, de az emberek esetén ez sokkal rosszabb lett.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Mi, az emberek, kifejlesztettük a neokortex egy új részét,
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
amit a neokortex elülső részének hívunk. És a természet elkövetett egy csínyt.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Lemásolta a hátsó, vagyis az érzékelő részt,
14:32
and put it in the front part.
312
847000
2000
és betette az elülső részbe.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
És az emberekben egyedülálló módon ugyanaz a mechanizmus a frontális részben,
14:36
but we use it for motor control.
314
851000
2000
de ezt a motoros funckiókra használjuk.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Így mostmár nagyon kifinomult mozgásterveket tudunk készíteni.
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
Nincs rá idő, hogy igazán belemenjek ezekbe, de ha meg akarjuk érteni, hogyan működik az agy,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
meg kell értenünk, hogyan működik az emlősök neokortexének első része,
14:47
how it is we store patterns and make predictions.
318
862000
2000
hogyan tároljuk a mintákat és hogyan jósolunk.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Hadd mutassak be néhány jóslási példát.
14:52
I already said the word "sentence." In music,
320
867000
2000
Már elmondtam a mondatos dolgot. A zenében,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
ha hallottunk egy dalt valamikor, ha már hallottuk Jillt énekelni azokat a dalokat,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
amikor énekel, a rákövetkező hang egyből beugrik a fejünkbe,
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
előre halljuk menet közben. Ha egy zenealbumról van szó,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
a szám végén beugrik a következő dal.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
És ezek a dolgok egyfolytában megtörténnek. Ilyen jóslásokat végzünk.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Van ez a dolog, amit a megváltozott ajtó kísérletének hívunk.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
A megváltozott ajtó kísérlete úgy szól, hogy van egy ajtód otthon,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
és amíg te itt vagy, én megváltoztatom. Most épp ott van
15:16
back at your house right now, moving the door around,
329
891000
2000
egy fickó a házadnál, épp az ajtót piszkálgatja,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
majd le fogja venni a kilincsgombot és két hüvelykkel feljebb teszi.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
És amikor ma este hazamész, kinyújtod a kezed,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
el akarod majd érni a kilincsgombot, és észreveszed,
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
hogy rossz helyen van, és azt mondod, várjunk csak, valami történt.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Beletelhet egy másodpercbe, hogy rágyere mi is az, de valami történt.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Sokféleképpen meg lehetne még változtatni a kilincsgombot.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Lehetne nagyobb vagy kisebb, rézből ezüst,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
kicserélhetem fogantyúsra. Vagy magát az ajtót befesthetném,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
tehetnék rá ablakokat. Ezer dolgot megváltoztathatnék az ajtódon,
15:38
and in the two seconds you take to open your door,
339
913000
2000
de a két másodperc alatt, amíg kinyitnád az ajtót
15:40
you're going to notice that something has changed.
340
915000
3000
észrevennéd, hogy valami megváltozott.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
A mérnöki megközelítése ennek, az MI megközelítés az
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
hogy készítünk egy ajtóadatbázist. Ez minden ajtóattribútumot tartalmaz.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
És ahogy az ajtó felé mész, megvizsgáljuk azokat, egyszerre csak egyet.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Ajtó, ajtó, ajtó, szín, értik, amit mondok.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Ilyet nem csinálunk. Az agyunk nem csinál ilyet.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Amit az agyunk tesz az az állandó jóslás egész idő alatt
15:57
about what is going to happen in your environment.
347
932000
2000
arról, hogy mi fog történni a környezetünkben.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Ahogy ráteszem a kezem erre az asztalra, azt várom, hogy érezzem, az megállítja.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Amikor megyek, minden egynyolcad hüvelykkel elvétett lépésnél
16:05
I'll know something has changed.
350
940000
2000
tudom, hogy valami megváltozott.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Állandóan jóslásokat végzünk a környezetünkről.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Beszélek röviden a látásról is. Ez a kép egy hölgyet ábrázol.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Amikor egy emberre nézünk, a szemünket másodpercenként
16:14
over at two to three times a second.
354
949000
1000
kétszer vagy háromszor elkapjuk.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Nem vagyunk tudatában ennek, de a szemünk egyfolytában mozog.
16:17
And so when you look at someone's face,
356
952000
2000
Ha valakinek az arcát nézzük,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
akkor az egyik szeméről a másikra, vissza, az orrára, a szájára nézünk.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Amikor a szemünk az egyik szemről a másikra megy,
16:23
if there was something else there like, a nose,
359
958000
2000
ha ott valami mást talál, mondjuk egy orrot,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
ha egy orrot látunk ott ahol egy szemnek kellene lennie,
16:27
and you'd go, oh shit, you know --
361
962000
3000
akkor azt mondjuk, basszus ...
16:30
(Laughter)
362
965000
1000
(Nevetés)
16:31
There's something wrong about this person.
363
966000
2000
Valami baj van ezzel az alakkal.
16:33
And that's because you're making a prediction.
364
968000
2000
És ez azért van, mert jóslást végzünk.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Nem úgy, hogy csak végigpillantunk és azt mondjuk, mit is látok én most?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Egy orrot, az rendben van. Nem, van egy elvárásunk, hogy mit kellene látnunk.
16:40
(Laughter)
367
975000
1000
(Nevetés)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Minden egyes pillanatban. Végül gondoljuk meg, hogyan vizsgáljuk az intelligenciát.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Jóslással vizsgáljuk. Mi a következő szó ebben a, ismerik?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Ez ehhez, ahogy amaz ahhoz. Mi lesz a következő szám ebben a mondatban?
16:51
Here's three visions of an object.
371
986000
2000
Itt van három tárgy képe.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Mi a negyedik? Így történik a vizsgálat. Minden a jóslásról szól.
16:57
So what is the recipe for brain theory?
373
992000
3000
Szóval mi lenne a recept az agyelméletre?
17:00
First of all, we have to have the right framework.
374
995000
3000
Először is rendelkeznünk kell a megfelelő keretrendszerrel.
17:03
And the framework is a memory framework,
375
998000
2000
És a keretrendszer egy memória-keretrendszer,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
nem egy számítási vagy viselkedési keretrendszer. Egy memória-keretrendszer.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Hogyan tároljuk és hívjuk vissza ezeket a mintaszekvenciákat? A tér- és időbeli mintákat.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Ha megvan a keretrendszer, akkor veszünk egy halom teoretikust.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
A biológusok általában nem jó teoretikusok.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Ez nem mindig igaz, de elmondható, hogy a biológiában az elméletnek nincs jó múltja.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Rájöttem, hogy akikkel a legjobban lehet dolgozni azok a fizikusok,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
mérnökök és matematikusok, akik hajlamosak algoritmikusan gondolkodni.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Meg kell tanulják az anatómiát, és meg kell tanulják az élettant.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Ezeket az elméleteket anatómiai értelemben nagyon realisztikussá kell tenni.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Bárki, aki kiáll és elmondja az elméletét az agy működéséről,
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
és nem mondja el, pontosan hogyan is működik az az agyban
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
és hogyan működnek a kapcsolatok az agyban, az nem elmélet.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Ez az amit mi a Redwood Neuroscience Institute-nál csinálunk.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Szerettem volna, ha több időm van, hogy elmondjam milyen fantasztikusuan haladunk e téren,
17:48
and I expect to be back up on this stage,
390
1043000
2000
de szeretnék visszatérni erre a színpadra,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
talán valamikor a nem túl távoli jövőben és akkor elmondom önöknek.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Teljesen, teljesen izgatott vagyok. Ez egyáltalán nem fog 50 évbe beletelni.
17:55
So what will brain theory look like?
393
1050000
2000
Hogyan is fog kinézni az agyelmélet?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Először is egy elmélet lesz, amely a memóriáról szól.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Nem olyanról, mint a számítógépes memória. Ez egyáltalán nem olyan, mint a számítógép memóriája.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Nagyon, de nagyon különbözik attól. Egy memória ezekkel a
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
nagyon nagydimenziós mintákkal, mint amilyenek a szemünkbe érkező dolgok.
18:07
It's also memory of sequences.
398
1062000
2000
De egyúttal a egymásutániság memóriája is.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Egymásutániság nélkül nem tudunk tanulni vagy visszaemlékezni.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Egy dalt időbeni egymásutániságában kell meghallgatnunk,
18:14
and you must play it back in sequence over time.
401
1069000
3000
és időbeni egymásutániságában kell visszajátszanunk.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
És ezek az egymásutániságok autoasszociatívan felidéződnek, így ha látok valamit,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
hallok valamit, az agyam eszembe juttatja és automatikusan visszajátssza.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
Egy automatikus visszajátszás. Ahol a kívánt kimenetet a jövőbeli bemenetek képezik.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
És ahogy már mondtam, az elméletnek biológiailag pontosnak kell lennie,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
vizsgálhatónak kell lennie, és képesek kell legyünk azt felépíteni.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Ha nem tudjuk felépíteni, akkor nem is értjük. Hadd mutassak még egy slide-ot.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Mi lesz ennek a következménye? Képesek leszünk valóban intelligens gépeket építeni?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Teljes mértékben. És különbözni fog attól, ahogy az emberek gondolják.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Semmi kétségem afelől, hogy ez meg fog történni.
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
Meg fog épülni, meg fogjuk építeni ezt a dolgot szilikonból.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Ugyanaz a módszer, amit a szilkon alapú számítógépes memóriánál használunk,
18:54
we can use for here.
413
1109000
1000
használható itt is.
18:55
But they're very different types of memories.
414
1110000
2000
De ezek nagyon különböző típusú memóriák.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
És ezeket a memóriákat szenzorokhoz fogjuk csatolni,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
és a szenzorok valós életbeli, valós világbeli adatokat fognak tapasztalni,
19:02
and these things are going to learn about their environment.
417
1117000
2000
és ezek a dolgok tanulni fognak a környezetükből.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Elég valószínűtlen, hogy az első dolgok, amiket látni fogunk azok robotszerűek lesznek.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Nem mintha a robotok ne lennének hasznosak, és az emberek tudnak robotokat építeni.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
De a robotikai rész a legnehezebb. Az a régi agy. Az nagyon nehéz.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Az új agy kicsit egyszerűbb a régi agynál.
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
Tehát az első dolog, amit csinálni fogunk, olyan lesz, ami nem igényel sok robotikát.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Nem fogjuk látni C-3PO-t.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Inkább olyasmiket fogunk látni, mint az intelligens autók,
19:23
that really understand what traffic is and what driving is
425
1138000
3000
amelyek valóban értik, mit jelent a közlekedés, mit jelent a vezetés,
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
és megtanulták, hogy bizonyos, fél percen keresztül jelzőlámpájukat villogtató autók
19:29
probably aren't going to turn, things like that.
427
1144000
2000
valószínűleg nem fognak befordulni, és hasonló dolgokat.
19:31
(Laughter)
428
1146000
1000
(Nevetés)
19:32
We can also do intelligent security systems.
429
1147000
2000
Készíthetünk intelligens biztonsági rendszereket is.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Bárhol, ahol alapvetően az agyunkat használjuk, és nincs sok mechanika.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Ezek lesznek azok a dolgok, amelyeket először létrehozunk.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
De végső soron csak a képzelet szab határt ezeknek.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Nem tudom, hogyan fog ez alakulni.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Ismerek egy csomó embert, akik feltalálták a mikroprocesszort,
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
és ha megkérdezed tőlük, tudták, hogy amit csinálnak az nagy jelentőséggel bír,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
de nem igazán tudták, hogy mi fog utána történni.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Nem tudták megjósolni a mobiltelefont és az Internetet és ezeket a dolgokat.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Csak olyasmit tudtak, hogy számológépeket fognak építeni
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
és forgalomirányító lámpákat. De valami nagy dolog lesz.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
Ugyanígy van ez az agytudománnyal is, és ezek a memóriák
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
egy nagyon alapvető technológiát fognak képezni, és hihetetlen
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
változásokhoz fognak vezetni az elkövetkezendő 100 évben.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
És a legjobban aziránt vagyok izgatott, hogy hogyan fogjuk ezeket a tudományban felhasználni.
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
Azt hiszem ennyi volt az én időm, túl is léptem, és itt
20:19
right there.
445
1194000
1000
be is fejezem az előadásomat.
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