TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Henry Markram agyat épít egy szupercomputerrel
Filmed:
Readability: 3.8
1,469,354 views
Henry Markram arról beszél, hogy az elme rejtelmei feltárulnak -- hamarosan. Mentális zavarok, memória, észlelés: mind idegsejtekből és elektromos jelekből állnak; Makram pedig azt tervezi, hogy feltérképezi ezeket egy szupercomputer segítségével, ami lemodellezi az agy mind a 100,000,000,000,000 szinapszisát.
Henry Markram - Neuroscientist
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Double-click the English transcript below to play the video.
00:18
Our mission is to build
0
0
3000
Küldetésünk az, hogy létrehozzuk
00:21
a detailed, realistic
1
3000
2000
az emberi agy részletes és hiteles
00:23
computer model of the human brain.
2
5000
2000
számítógépes modelljét.
00:25
And we've done, in the past four years,
3
7000
3000
Az elmúlt 4 évben
00:28
a proof of concept
4
10000
2000
bizonyítottuk az elméletet
00:30
on a small part of the rodent brain,
5
12000
3000
a rágcsálóagy egy részén
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
és ebből a bizonyításból kiindulva most növeljük a léptéket
00:36
to reach the human brain.
7
18000
3000
eljutva így az emberi agyig.
00:39
Why are we doing this?
8
21000
2000
Mért csináljuk mindezt?
00:41
There are three important reasons.
9
23000
2000
Ennek három fontos oka van.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
Először is nagyon fontos megértenünk az emberi agyat,
00:47
if we do want to get along in society,
11
29000
2000
ha boldogulni akarunk a társadalomban,
00:49
and I think that it is a key step in evolution.
12
31000
4000
és szerintem ez evolúciós szempontból is kulcsfontosságú lépés.
00:53
The second reason is,
13
35000
2000
A második ok az,
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
hogy nem végezhetünk örökké állatkísérleteket
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
és testet kell öltsenek az adataink, a tudásunk
01:05
into a working model.
16
47000
3000
egy működőképes modell formájában.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
Olyan ez, mint Noé bárkája. Mint egy levéltár.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
A harmadik ok pedig az, hogy a földön két milliárd ember
01:15
that are affected by mental disorder,
19
57000
4000
valamilyen mentális zavarral él,
01:19
and the drugs that are used today
20
61000
2000
és a mai gyógyszerek
01:21
are largely empirical.
21
63000
2000
nagy része tapasztalaton alapszik.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Azt gondolom, hogy elő tudunk állni konkrét megoldásokkal arra nézve,
01:26
how to treat disorders.
23
68000
3000
hogy hogyan kezeljük ezeket a zavarokat.
01:29
Now, even at this stage,
24
71000
3000
Már a mostani stádiumban
01:32
we can use the brain model
25
74000
2000
fel tudjuk használni az agy modellt
01:34
to explore some fundamental questions
26
76000
3000
néhány alapvető kérdés kutatására
01:37
about how the brain works.
27
79000
2000
az agyműködést illetően.
01:39
And here, at TED, for the first time,
28
81000
2000
És itt, a TED-en szeretném először
01:41
I'd like to share with you how we're addressing
29
83000
2000
megosztani a közönséggel, hogy hogyan közelítjük meg
01:43
one theory -- there are many theories --
30
85000
3000
az elméletek egyikét -- sok elmélet van ugyanis --
01:46
one theory of how the brain works.
31
88000
4000
az agy működéséről szóló egyik elméletet.
01:50
So, this theory is that the brain
32
92000
4000
E szerint az elmélet szerint, az agy
01:54
creates, builds, a version of the universe,
33
96000
6000
alkotja meg, építi fel az univerzum egy változatát.
02:00
and projects this version of the universe,
34
102000
3000
És az univerzum ezen változatát vetíti ki
02:03
like a bubble, all around us.
35
105000
4000
mint egy buborékot, körénk.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
Persze ez évszázados filozófiai viták tárgyát képzi.
02:11
But, for the first time, we can actually address this,
37
113000
3000
De most először megközelíthetjük ezt
02:14
with brain simulation,
38
116000
2000
agyszimulációval,
02:16
and ask very systematic and rigorous questions,
39
118000
4000
illetve módszeresen, pontos kérdésekkel felderíthetjük,
02:20
whether this theory could possibly be true.
40
122000
4000
vajon tényleg igaz lehet-e ez az elmélet?
02:24
The reason why the moon is huge on the horizon
41
126000
3000
Annak az oka, hogy a hold óriási a horizonton,
02:27
is simply because our perceptual bubble
42
129000
3000
az, hogy az észlelő-buborékunk
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
nem ér el 380,000 km messzire.
02:34
It runs out of space.
44
136000
2000
Nincs elég helye.
02:36
And so what we do is we compare the buildings
45
138000
4000
Így inkább az épületekhez viszonyítunk
02:40
within our perceptual bubble,
46
142000
2000
az észlelő-buborékunkból nézve
02:42
and we make a decision.
47
144000
2000
és hozunk egy döntést.
02:44
We make a decision it's that big,
48
146000
2000
Úgy döntünk, hogy akkora,
02:46
even though it's not that big.
49
148000
2000
akkor is ha valójában nem akkora
02:48
And what that illustrates
50
150000
2000
és ez azt mutatja,
02:50
is that decisions are the key things
51
152000
2000
hogy a döntések kulcsfontosságúak ahhoz,
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
hogy az észlelő-buborékunkat támogassák. Ez tartja életben.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Döntések nélkül nem látunk, nem tudunk gondolkodni,
02:59
you cannot feel.
54
161000
2000
nem vagyunk képesek érezni.
03:01
And you may think that anesthetics work
55
163000
2000
És lehet hogy Önök azt gondolják, hogy az anesztézia úgy működik,
03:03
by sending you into some deep sleep,
56
165000
3000
hogy valamiféle mély álomba küld bennünket,
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
vagy azáltal, hogy nem engedi a receptoroknak a fájdalom érzékelését,
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
de valójában a legtöbb altatás nem így működik.
03:12
What they do is they introduce a noise
59
174000
3000
Valójában altatáskor zörejt idéznek elő az agyban,
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
hogy a neuronok ne értsék meg egymást!
03:18
They are confused,
61
180000
2000
Megzavarodnak,
03:20
and you cannot make a decision.
62
182000
3000
és képtelenek vagyunk döntést hozni.
03:23
So, while you're trying to make up your mind
63
185000
3000
Tehát mire mi végre kitaláljuk,
03:26
what the doctor, the surgeon, is doing
64
188000
2000
hogy mégis mit csinál az orvos vagy a sebész,
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
aki épp a testünket darabolja, addigra ő már rég hazament!
03:30
He's at home having tea.
66
192000
2000
És otthon teázgat.
03:32
(Laughter)
67
194000
2000
(nevetés)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
Tehát amikor egy ajtóhoz lépünk és kinyitjuk
03:37
what you compulsively have to do to perceive
69
199000
3000
ami az észleléshez elengedhetetlen lesz,
03:40
is to make decisions,
70
202000
2000
az a döntéshozatal,
03:42
thousands of decisions about the size of the room,
71
204000
3000
több ezer döntés a szoba méretét,
03:45
the walls, the height, the objects in this room.
72
207000
3000
a falat, a magasságot, a szobában lévő tárgyakat illetően.
03:48
99 percent of what you see
73
210000
3000
99 százaléka annak, amit látunk
03:51
is not what comes in through the eyes.
74
213000
4000
nem a szemünkön át ér el hozzánk.
03:55
It is what you infer about that room.
75
217000
4000
Hanem amit arról a szobáról kikövetkeztetünk!
03:59
So I can say, with some certainty,
76
221000
4000
Tehát mondhatom azt, némi bizonyossággal,
04:03
"I think, therefore I am."
77
225000
3000
hogy "gondolkodom, tehát vagyok".
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
De azt nem mondhatom, hogy "Te gondolkozol, tehát vagy",
04:10
because "you" are within my perceptual bubble.
79
232000
5000
mert "te" csak az én észlelő-buborékomban létezel!
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Töprenghetünk és filozofálgathatunk ezen,
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
de nem muszáj ezt tennünk az elkövetkező 100 évben.
04:21
We can ask a very concrete question.
82
243000
2000
Mert feltehetünk egy nagyon is konkrét kérdést.
04:23
"Can the brain build such a perception?"
83
245000
4000
"Tud-e az agy ilyen észlelést létrehozni?"
04:27
Is it capable of doing it?
84
249000
2000
Képes-e rá?
04:29
Does it have the substance to do it?
85
251000
2000
Van-e olyan anyag, amiből ezt létrehozza?
04:31
And that's what I'm going to describe to you today.
86
253000
3000
Éppen ezt fogom ma elmagyarázni Önöknek.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Tehát a világegyetemnek 11 milliárd évébe került megépíteni az agyat.
04:38
It had to improve it a little bit.
88
260000
2000
Kicsit javítania kellett rajta.
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Hozzá kellett toldani a elülső részhez, hogy legyenek ösztöneink,
04:43
because they had to cope on land.
90
265000
3000
mert a szárazföldön kellett boldoguljunk.
04:46
But the real big step was the neocortex.
91
268000
4000
De az igazán nagy lépés a neokortex, az agykéreg volt.
04:50
It's a new brain. You needed it.
92
272000
2000
Ez egy új agy. Szükség volt rá.
04:52
The mammals needed it
93
274000
2000
Az emlősöknek szükségük lett rá,
04:54
because they had to cope with parenthood,
94
276000
4000
mert meg kellett birkózni az utódneveléssel,
04:58
social interactions,
95
280000
2000
a társas interakcióval,
05:00
complex cognitive functions.
96
282000
3000
és az összetett kognitív funkciókkal.
05:03
So, you can think of the neocortex
97
285000
2000
Vagyis gondolhatunk úgy a neokortexre,
05:05
actually as the ultimate solution today,
98
287000
5000
mint a világegyetem legnagyobb vívmányára
05:10
of the universe as we know it.
99
292000
3000
amiről tudunk.
05:13
It's the pinnacle, it's the final product
100
295000
2000
Ez egy csúcspont, egy végső termék
05:15
that the universe has produced.
101
297000
4000
amit az univerzum létrehozott.
05:19
It was so successful in evolution
102
301000
2000
Annyira sikeres volt az evolúció során,
05:21
that from mouse to man it expanded
103
303000
2000
hogy az egértől az emberig terjeszkedve
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
ezerszeresére nőtt a idegsejtek száma,
05:26
to produce this almost frightening
105
308000
3000
ezzel létrehozva ezt a szinte félelmetes
05:29
organ, structure.
106
311000
3000
szervet, rendszert.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
És ez még nem az evolúciós út vége!
05:35
In fact, the neocortex in the human brain
108
317000
2000
Valójában a neokortex az emberi agyban
05:37
is evolving at an enormous speed.
109
319000
3000
a mai napig hatalmas sebességgel fejlődik.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Ha közelebbről vizsgáljuk a neokortex felületét
05:42
you discover that it's made up of little modules,
111
324000
3000
látni, hogy kisebb modulokból áll,
05:45
G5 processors, like in a computer.
112
327000
2000
G5 processzorokból, mint a számítógép.
05:47
But there are about a million of them.
113
329000
3000
Csak itt több millió van belőlük.
05:50
They were so successful in evolution
114
332000
2000
Ezek olyan sikeresek voltak az evolúció során,
05:52
that what we did was to duplicate them
115
334000
2000
hogy sokszorosítottuk őket
05:54
over and over and add more and more of them to the brain
116
336000
2000
és egyre többet toldottunk az agyunkhoz belőlük,
05:56
until we ran out of space in the skull.
117
338000
3000
míg már nem volt több hely a koponyánkban.
05:59
And the brain started to fold in on itself,
118
341000
2000
És akkor az agy elkezdte összehajtogatni magát,
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
ettől olyan tekervényes a neokortex.
06:04
We're just packing in columns,
120
346000
2000
Oszlopokat zsúfolunk be,
06:06
so that we'd have more neocortical columns
121
348000
3000
hogy még több agykérgi oszlopunk legyen
06:09
to perform more complex functions.
122
351000
3000
amik összetettebb feladatokra képesek.
06:12
So you can think of the neocortex actually as
123
354000
2000
Úgy is nézhetjük az új agykérget,
06:14
a massive grand piano,
124
356000
2000
mint egy versenyzongorát,
06:16
a million-key grand piano.
125
358000
3000
egy több millió billentyűs zongorát.
06:19
Each of these neocortical columns
126
361000
2000
Minden egyes agykérgi oszlop
06:21
would produce a note.
127
363000
2000
más hangot ad.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Ha ingereljük, létrehoz egy szimfóniát.
06:26
But it's not just a symphony of perception.
129
368000
3000
Ám ez nem csak az észlelés szimfóniája!
06:29
It's a symphony of your universe, your reality.
130
371000
3000
Ez a saját univerzumunk, valóságunk szimfóniája!
06:32
Now, of course it takes years to learn how
131
374000
3000
Persze évekbe telik megtanulni mesterien
06:35
to master a grand piano with a million keys.
132
377000
3000
játszani a több millió billentyűn.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
Ezért kell a gyerekeket jó iskolákba küldenünk,
06:40
hopefully eventually to Oxford.
134
382000
2000
remélhetőleg végül eljutnak Oxford-ba.
06:42
But it's not only education.
135
384000
3000
De mindez nem csak nevelés kérdése.
06:45
It's also genetics.
136
387000
2000
Genetika is.
06:47
You may be born lucky,
137
389000
2000
Van, aki szerencsésnek születik,
06:49
where you know how to master your neocortical column,
138
391000
4000
vagy irányítani tudja az oszlopokat az agykérgében,
06:53
and you can play a fantastic symphony.
139
395000
2000
és nagyszerű szimfóniát hoz létre.
06:55
In fact, there is a new theory of autism
140
397000
3000
Van egy új elmélet az autizmusra
06:58
called the "intense world" theory,
141
400000
2000
amit "intenzív világ" elméletnek neveznek,
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
és ami szerint az agykérgi oszlopok szuper-oszlopok.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Nagyon reaktívak és képlékenyek
07:08
and so the autists are probably capable of
144
410000
3000
vagyis az autisták valószínűleg képesek
07:11
building and learning a symphony
145
413000
2000
egy olyan szimfóniát létrehozni és megtanulni,
07:13
which is unthinkable for us.
146
415000
2000
ami számunkra elképzelhetetlen.
07:15
But you can also understand
147
417000
2000
De így az is érthetővé válik,
07:17
that if you have a disease
148
419000
2000
hogy ha betegség alakul ki
07:19
within one of these columns,
149
421000
2000
az egyik oszlopban,
07:21
the note is going to be off.
150
423000
2000
akkor az hang nem lesz tiszta.
07:23
The perception, the symphony that you create
151
425000
2000
Az észlelés, a szimfónia, ami így jön létre,
07:25
is going to be corrupted,
152
427000
2000
meg fog sérülni,
07:27
and you will have symptoms of disease.
153
429000
3000
és létrejönnek a betegség tünetei.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
Vagyis az ideggyógyászat Szent Grálja
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
az agykérgi oszlopok modelljének a feltárása --
07:38
and it's not just for neuroscience;
156
440000
2000
és ez nem csak az ideggyógyászat számára lesz jó;
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
hanem talán hogy megértsük az érzékelést, a valóságot
07:43
and perhaps to even also understand physical reality.
158
445000
4000
és talán, hogy megértsük magát a fizikai valóságot is.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
Az elmúlt 15 évben
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
módszeresen kielemeztük az agykérget.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
Mintha az esőerdő egy részét katalogizáltuk volna.
07:58
How many trees does it have?
162
460000
2000
Hány fa van benne?
08:00
What shapes are the trees?
163
462000
2000
Milyen formájúak a fák?
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
Melyik fajtából hány található ott? Hogyan helyezkednek el?
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
De ez több, mint rendszerezés, mert le kell írni
08:07
describe and discover all the rules of communication,
166
469000
4000
és fel kell tárni a kommunikáció szabályait
08:11
the rules of connectivity,
167
473000
2000
a kapcsolódás szabályait,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
mert a neuronok nem szeretnek ám bármilyen neuronhoz kapcsolódni!
08:16
They choose very carefully who they connect with.
169
478000
3000
Nagy gonddal választják ki azt, akivel összekapcsolódnak.
08:19
It's also more than cataloging
170
481000
3000
Azért is több ez, mint rendszerezés,
08:22
because you actually have to build three-dimensional
171
484000
2000
mert egy három dimenziós
08:24
digital models of them.
172
486000
2000
digitális modellt kell belőle építenünk.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
És ezt meg is tettük több tízezer neuronnal,
08:28
built digital models of all the different types
174
490000
3000
digitálisan modelleztük a különböző
08:31
of neurons we came across.
175
493000
2000
idegeket, amikkel találkoztunk.
08:33
And once you have that, you can actually
176
495000
2000
És amint ez meglett, elkezdhettük
08:35
begin to build the neocortical column.
177
497000
4000
építeni az agykérgi oszlopot.
08:39
And here we're coiling them up.
178
501000
3000
És itt összetekerjük.
08:42
But as you do this, what you see
179
504000
3000
De miközben ezt tesszük, azt vesszük észre,
08:45
is that the branches intersect
180
507000
2000
hogy az ágak keresztezik egymást
08:47
actually in millions of locations,
181
509000
3000
valójában több millió helyen,
08:50
and at each of these intersections
182
512000
3000
és minden egyes kereszteződésnél
08:53
they can form a synapse.
183
515000
2000
szinapszisokat hozhatnak létre.
08:55
And a synapse is a chemical location
184
517000
2000
A szinapszis egy kémia hely,
08:57
where they communicate with each other.
185
519000
3000
ahol egymással kommunikálnak.
09:00
And these synapses together
186
522000
2000
És a szinapszisok összessége
09:02
form the network
187
524000
2000
hálózatot alkot
09:04
or the circuit of the brain.
188
526000
3000
vagyis az agy áramkörét.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Namost erre az áramkörre gondolhatunk úgy is,
09:11
the fabric of the brain.
190
533000
2000
mint az agy anyagára.
09:13
And when you think of the fabric of the brain,
191
535000
3000
És ha az agy anyagára gondolunk,
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
a szerkezetére, hogy hogyan épül fel, hogy mi a szőnyeg mintázata,
09:20
You realize that this poses
193
542000
2000
rádöbbenünk, hogy ez
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
alapvető kihívás elé állít minden agy-elméletet,
09:26
and especially to a theory that says
195
548000
2000
főleg, ha az elmélet azt mondja ki,
09:28
that there is some reality that emerges
196
550000
2000
hogy valamiféle valóság kerekedik ki
09:30
out of this carpet, out of this particular carpet
197
552000
3000
a szőnyegből, ebből a bizonyos szőnyegből,
09:33
with a particular pattern.
198
555000
2000
aminek ez a bizonyos mintázata van.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
Ennek oka pedig az, hogy az agy szerveződésének legfőbb titka
09:38
is diversity.
200
560000
2000
a változatosság.
09:40
Every neuron is different.
201
562000
2000
Minden egyes neuron más.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
Mint egy erdőben. Minden fenyő más benne.
09:44
You may have many different types of trees,
203
566000
2000
Sokféle fa lehet benne,
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
de minden fenyő is más. És az agy is ugyanilyen.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Vagyis nincs az agyamban két egyforma neuron,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
és nincs olyan agyi neuronom, ami megegyezne a tiéddel.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
És a te neuronjaid nem fognak teljesen ugyanúgy
09:58
in exactly the same way.
208
580000
2000
elhelyezkedni, és irányulni.
10:00
And you may have more or less neurons.
209
582000
2000
És lehet, hogy több, vagy kevesebb neuronnal rendelkezel.
10:02
So it's very unlikely
210
584000
2000
Vagyis igen valószínűtlen,
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
hogy ugyanaz lenne a te anyagod vagy áramköröd.
10:08
So, how could we possibly create a reality
212
590000
2000
Tehát hogy vagyunk képesek olyan valóságot teremteni,
10:10
that we can even understand each other?
213
592000
3000
amiben egyáltalán értjük egymást?
10:13
Well, we don't have to speculate.
214
595000
2000
Nos, nem kell sokat töprengenünk ezen.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Most már megvizsgálhatjuk mind a 10 millió szinapszist.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Megnézhetjük az anyagot. És megváltoztathatunk neuronokat.
10:21
We can use different neurons with different variations.
217
603000
2000
Használhatunk különböző neuronokat, különböző variációkban.
10:23
We can position them in different places,
218
605000
2000
Elhelyezhetjük őket máshova,
10:25
orient them in different places.
219
607000
2000
irányíthatjuk őket másfelé.
10:27
We can use less or more of them.
220
609000
2000
Növelhetjük vagy csökkentjük a számukat.
10:29
And when we do that
221
611000
2000
És amikor ezt megtettük,
10:31
what we discovered is that the circuitry does change.
222
613000
3000
felfedeztük, hogy az áramkör megváltozott.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
De a minta, ami alapján az áramkör készül, nem változott.
10:41
So, the fabric of the brain,
224
623000
2000
Vagyis az agy alapanyaga,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
akár kisebb, akár nagyobb az agyunk térfogata,
10:45
it may have different types of neurons,
226
627000
3000
vagy más fajta idegsejtekből épül fel,
10:48
different morphologies of neurons,
227
630000
2000
más alakú neuronokból,
10:50
we actually do share
228
632000
3000
végső soron mindannyian
10:53
the same fabric.
229
635000
2000
ugyanabból az anyagból vagyunk.
10:55
And we think this is species-specific,
230
637000
2000
Szerintünk ez fajspecifikus,
10:57
which means that that could explain
231
639000
2000
ami megmagyarázná, hogy
10:59
why we can't communicate across species.
232
641000
2000
mért nem tudnak a fajok egymással kommunikálni.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
Akkor kapcsoljuk be. De ahhoz, hogy ezt megtehessük,
11:04
is you have to make this come alive.
234
646000
2000
életre kell kelteni.
11:06
We make it come alive
235
648000
2000
Életre kelteni pedig
11:08
with equations, a lot of mathematics.
236
650000
2000
egyenletekkel és matematikával lehet.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
Az egyenleteket, amik a neuronokat elektromos generátorrá alakítják,
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
két cambridge-i Nobel díjas fedezte fel.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Vagyis megvan a matek, ami megeleveníti a neuronokat.
11:20
We also have the mathematics to describe
240
662000
2000
Vannak egyenleteink is, amik leírják,
11:22
how neurons collect information,
241
664000
3000
hogy hogyan gyűjt információt a neuron,
11:25
and how they create a little lightning bolt
242
667000
3000
és hogy hogyan keletkezik az a kis villám,
11:28
to communicate with each other.
243
670000
2000
aminek segítségével egymással kommunikálnak.
11:30
And when they get to the synapse,
244
672000
2000
És amikor a szinapszishoz érnek
11:32
what they do is they effectively,
245
674000
2000
gyakorlatilag annyit tesznek,
11:34
literally, shock the synapse.
246
676000
3000
hogy szó szerint, sokkolják a szinapszist.
11:37
It's like electrical shock
247
679000
2000
Ez olyan, mint egy elektromos sokk,
11:39
that releases the chemicals from these synapses.
248
681000
3000
amitől kémiai anyagokat bocsát ki a szinapszis.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
És matematikailag le tudjuk írni a folyamatot.
11:45
So we can describe the communication between the neurons.
250
687000
4000
Vagyis le tudjuk írni a neuronok közti kommunikációt.
11:49
There literally are only a handful
251
691000
3000
Szó szerint csak egy maréknyi
11:52
of equations that you need to simulate
252
694000
2000
egyenletre van szükség, hogy szimulálni tudjuk
11:54
the activity of the neocortex.
253
696000
2000
a neokortex tevékenységét.
11:56
But what you do need is a very big computer.
254
698000
3000
Amire szükség van, az egy nagyon nagy számítógép.
11:59
And in fact you need one laptop
255
701000
2000
Pontosabban egy laptop-ra van szükség
12:01
to do all the calculations just for one neuron.
256
703000
3000
neurononként, ami elvégzi a számításokat.
12:04
So you need 10,000 laptops.
257
706000
2000
Vagyis 10 000 laptopra van szükség.
12:06
So where do you go? You go to IBM,
258
708000
2000
Hova forduljunk? Az IBM-hez,
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
és ők adnak egy szupercomputert, mert ők tudják, hogy lehet berakni
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
10 000 laptopot egy hűtőládányi térfogatba.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Itt van tehát ez a Blue Gene szupercomputerünk.
12:17
We can load up all the neurons,
262
719000
2000
Betöltjük az összes neuront,
12:19
each one on to its processor,
263
721000
2000
mindet a saját processzorához,
12:21
and fire it up, and see what happens.
264
723000
4000
beindítjuk és lássuk mi történik.
12:25
Take the magic carpet for a ride.
265
727000
3000
Repülünk egy kört a varázsszőnyeggel!
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Itt aktiváljuk. És ez az első bepillantás abba,
12:31
of what is happening in your brain
267
733000
2000
ami az agyban történik,
12:33
when there is a stimulation.
268
735000
2000
amikor inger éri.
12:35
It's the first view.
269
737000
2000
Ez az első nézet.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Elsőre talán azt gondolják, hogy
12:39
"My god. How is reality coming out of that?"
271
741000
5000
"Úristen, ebből hogyan áll elő a valóság?"
12:44
But, in fact, you can start,
272
746000
3000
De valójában be lehet indítani,
12:47
even though we haven't trained this neocortical column
273
749000
4000
annak ellenére, hogy nem tanítottuk ezt az oszlopot arra,
12:51
to create a specific reality.
274
753000
2000
hogy valamiféle jellegzetes valóságot teremtsen.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
De feltehetjük a kérdést, hogy "Hol a rózsa?"
12:57
We can ask, "Where is it inside,
276
759000
2000
Vagy "Hol látszik az belül,
12:59
if we stimulate it with a picture?"
277
761000
3000
ha képpel ingereljük?"
13:02
Where is it inside the neocortex?
278
764000
2000
Hol található a neokortexen belül?
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Mert végülis ott kell lennie, ha ezzel ingereltük.
13:08
So, the way that we can look at that
280
770000
2000
Vagyis nézhetjük úgy,
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
hogy figyelmen kívül hagyjuk a neuronokat, és a szinapszisokat,
13:13
and look just at the raw electrical activity.
282
775000
2000
és csak a nyers elektromos tevékenységgel foglalkozunk.
13:15
Because that is what it's creating.
283
777000
2000
Ugyanis az az, amit létrehoz.
13:17
It's creating electrical patterns.
284
779000
2000
Elektromos mintákat hoz létre.
13:19
So when we did this,
285
781000
2000
Úgyhogy amikor ezt megcsináltuk,
13:21
we indeed, for the first time,
286
783000
2000
akkor tényleg, az életben először
13:23
saw these ghost-like structures:
287
785000
3000
megláttuk ezeket a szellemszerű szerkezeteket:
13:26
electrical objects appearing
288
788000
3000
elektromos tárgyak jelentek meg
13:29
within the neocortical column.
289
791000
3000
az agykérgi oszlopban.
13:32
And it's these electrical objects
290
794000
3000
És ezek az elektromos tárgyak
13:35
that are holding all the information about
291
797000
3000
tartalmazzák az információt az ingerről
13:38
whatever stimulated it.
292
800000
3000
ami létrehozta őket.
13:41
And then when we zoomed into this,
293
803000
2000
És amikor ráközelítettünk erre,
13:43
it's like a veritable universe.
294
805000
4000
ez egy valóságos univerzumnak bizonyult.
13:47
So the next step
295
809000
2000
Vagyis a következő lépés,
13:49
is just to take these brain coordinates
296
811000
4000
fogni ezeket az agyi koordinátákat,
13:53
and to project them into perceptual space.
297
815000
4000
és kivetíteni az észlelhető térbe.
13:57
And if you do that,
298
819000
2000
Ha ezt megtesszük,
13:59
you will be able to step inside
299
821000
2000
képesek leszünk belépni
14:01
the reality that is created
300
823000
2000
egy valóságba, aminek az alkotója
14:03
by this machine,
301
825000
2000
ez a gép,
14:05
by this piece of the brain.
302
827000
3000
ez a darabka agy.
14:08
So, in summary,
303
830000
2000
Összegezve,
14:10
I think that the universe may have --
304
832000
2000
azt gondolom, hogy a világegyetem, --
14:12
it's possible --
305
834000
2000
könnyen lehet, -- hogy azért hozta létre
14:14
evolved a brain to see itself,
306
836000
3000
az agyat, hogy lássa önmagát,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
ami lehet hogy az első lépés az öntudatosság felé.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Még bőven akad mit vizsgálni az elméleten
14:24
and to test any other theories.
309
846000
3000
és más elméleteken is.
14:27
But I hope that you are at least partly convinced
310
849000
3000
De remélem, legalább részben meggyőztem Önöket arról,
14:30
that it is not impossible to build a brain.
311
852000
3000
hogy nem lehetetlen agyat építeni.
14:33
We can do it within 10 years,
312
855000
2000
10 év alatt elkészülünk
14:35
and if we do succeed,
313
857000
2000
és ha sikerül,
14:37
we will send to TED, in 10 years,
314
859000
2000
10 év múlva küldünk a TED konferenciára
14:39
a hologram to talk to you. Thank you.
315
861000
3000
egy beszélő hologrammot. Köszönöm.
14:42
(Applause)
316
864000
6000
(taps)
ABOUT THE SPEAKER
Henry Markram - NeuroscientistHenry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time.
Why you should listen
In the microscopic, yet-uncharted circuitry of the cortex, Henry Markram is perhaps the most ambitious -- and our most promising -- frontiersman. Backed by the extraordinary power of the IBM Blue Gene supercomputing architecture, which can perform hundreds of trillions of calculations per second, he's using complex models to precisely simulate the neocortical column (and its tens of millions of neural connections) in 3D.
Though the aim of Blue Brain research is mainly biomedical, it has been edging up on some deep, contentious philosophical questions about the mind -- "Can a robot think?" and "Can consciousness be reduced to mechanical components?" -- the consequence of which Markram is well aware: Asked by Seed Magazine what a simulation of a full brain might do, he answered, "Everything. I mean everything" -- with a grin.
Now, with a successful proof-of-concept for simulation in hand (the project's first phase was completed in 2007), Markram is looking toward a future where brains might be modeled even down to the molecular and genetic level. Computing power marching rightward and up along the graph of Moore's Law, Markram is sure to be at the forefront as answers to the mysteries of cognition emerge.
Henry Markram | Speaker | TED.com