TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins over hoe neurowetenschap de ontwikkeling van computersystemen zal veranderen
Filmed:
Readability: 3.2
1,674,773 views
Jeff Hawkins, uitvinder van de Treo, moedigt ons aan om op een andere manier naar onze hersenen te kijken -- om ze niet als een snelle processor te zien, maar als een geheugensysteem dat onze ervaringen opslaat en terug afspeelt en ons zo helpt op een intelligente manier gebeurtenissen te voorspellen.
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
Ik doe twee dingen. Ik ontwerp mobiele computers en ik bestudeer hersenen.
00:29
And today's talk is about brains and,
1
4000
2000
De lezing van vandaag gaat over hersenen en ...
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
hé, blijkbaar heb ik daar ergens een brein-fan.
00:33
(Laughter)
3
8000
2000
(Gelach)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Als ik mijn eerste dia krijg, zie je de titel
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
van mijn lezing en de twee bedrijven waaraan ik verbonden ben.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Ik ga het hebben over de reden waarom we nog geen goede hersentheorie hebben,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
en waarom het belangrijk is dat we er een ontwikkelen en hoe we dat kunnen bereiken.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
En dat allemaal in twintig minuten. Ik ben verbonden aan twee bedrijven.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
De meesten van jullie kennen me van mijn tijd bij Palm en Handspring,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
maar ik leid ook een non-profit wetenschappelijk onderzoeksinstituut,
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
het Redwood Instituut voor Neurowetenschap in Menlo Park.
00:59
and we study theoretical neuroscience,
12
34000
2000
We bestuderen theoretische neurowetenschap
01:01
and we study how the neocortex works.
13
36000
2000
en hoe de neocortex werkt.
01:03
I'm going to talk all about that.
14
38000
2000
Daar ga ik allerlei over vertellen.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Deze dia gaat over mijn andere leven, mijn computerleven.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Dit zijn een aantal producten waar ik de laatste twintig jaar aan heb gewerkt,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
van de allereerste originele laptop tot een paar van de eerste tablet-pc's
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
enz.., met de Treo als de meest recente
01:17
and we're continuing to do this.
19
52000
2000
en hieraan werken we nog verder.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Ik heb dit gedaan omdat ik echt geloof dat mobiel computergebruik
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
de toekomst heeft en ik probeer de wereld
01:24
a little bit better by working on these things.
22
59000
3000
een klein beetje beter te maken door aan deze dingen te werken.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Maar dit was, moet ik toegeven, allemaal slechts toeval.
01:29
I really didn't want to do any of these products
24
64000
2000
Eigenlijk wou ik deze producten helemaal niet maken.
01:31
and very early in my career I decided
25
66000
2000
Vroeg in mijn loopbaan besliste ik
01:33
I was not going to be in the computer industry.
26
68000
3000
dat ik niet in de computerindustrie wilde werken.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Voor ik jullie daarover vertel, moet ik jullie vertellen
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
over dit graffitiplaatje dat ik onlangs vond op het internet.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Ik zocht een graffitiplaatje, een taal met weinig tekst.
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
Ik vond een website voor leerkrachten die
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
slogans schrijven bovenaan hun schoolbord.
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
Ze hadden er graffiti aan toegevoegd, mijn excuses daarvoor.
01:52
(Laughter)
33
87000
2000
(Gelach)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Toen ik jong was en in '79 afstudeerde van de ingenieursschool van Cornell,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
besloot ik te gaan werken voor Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Ik zat in de computerindustrie en drie maanden later
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
werd ik verliefd op iets anders. Ik zei: "Ik heb de verkeerde carrière gekozen."
02:10
and I fell in love with brains.
38
105000
3000
en werd verliefd op hersenen.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Dit is geen echt brein. Het is een pentekening.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Ik herinner me niet precies meer hoe het gegaan is,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
maar ik heb een herinnering die me sterk bijgebleven is.
02:22
In September 1979, Scientific American came out
42
117000
3000
In september 1979 verscheen een uitgave van 'Scientific American'
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
volledig gewijd aan de hersenen. Die was erg goed.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Het was een van de beste uitgaven ooit. Ze spraken over het neuron,
02:31
and development and disease and vision and all the things
45
126000
2000
ontwikkeling, ziekte, het gezichtsvermogen en over nog veel meer
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
wat je misschien wil weten over hersenen. Het was echt de moeite.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
Het gaf de indruk dat we echt veel wisten over de hersenen.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Het laatste artikel in deze uitgave was geschreven door Francis Crick, beroemd van het DNA.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Vandaag is het, geloof ik, de 50ste verjaardag van de ontdekking van DNA.
02:46
And he wrote a story basically saying,
50
141000
2000
Hij schreef iets wat neerkwam op:
02:48
well, this is all well and good, but you know what,
51
143000
3000
"Dit is allemaal goed en wel, maar
02:51
we don't know diddley squat about brains
52
146000
2000
we weten eigenlijk geen sikkepit over de hersenen
02:53
and no one has a clue how these things work,
53
148000
2000
en niemand heeft enig idee hoe ze werken.
02:55
so don't believe what anyone tells you.
54
150000
2000
Geloof niet wat ze zeggen."
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Dit is een citaat uit dat artikel. Hij zegt: "Wat opvallenderwijs ontbreekt,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
hij is een échte Engelse heer, dus: "Wat opvallenderwijs ontbreekt
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
is een breed kader van ideeën om deze verschillende benaderingen te interpreteren."
03:07
I thought the word framework was great.
58
162000
2000
Ik vond het woord 'kader' goed.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Hij zei niet dat we geen theorie hebben.
03:11
we don't even know how to begin to think about it --
60
166000
2000
Hij zei dat we zelfs niet weten hoe we erover moeten beginnen te denken.
03:13
we don't even have a framework.
61
168000
2000
We hebben zelfs geen kader.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
We zijn in het pre-paradigmatijdperk als je Thomas Kuhn wilt gebruiken.
03:18
And so I fell in love with this, and said look,
63
173000
3000
Ik werd hier verliefd op en ik zei: “Kijk,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
we hebben zoveel kennis over de hersenen. Hoe moeilijk kan het zijn?”
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
Hier kon ik mijn leven aan wijden. Ik voelde dat ik een verschil kon maken
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
dus probeerde ik de overstap te maken van het domein van de computers naar dat van de hersenen.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Eerst ging ik naar MIT, het lab voor kunstmatige intelligentie
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
en ik zei: “Ik wil ook intelligente machines maken,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
maar ik wil dit doen door eerst te onderzoeken hoe de hersenen werken.”
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Ze zeiden: “Je hoeft dat niet te doen.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
We gaan gewoon computers programmeren, meer hoeft niet.”
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Ik zei: "Nee, je moet echt eerst de hersenen bestuderen." Zij zeiden: "Nee, je bent verkeerd."
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
Ik zei: "Nee, jullie zijn verkeerd.", en zo werd ik niet aanvaard.
03:48
(Laughter)
74
203000
1000
(Gelach)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Ik was een beetje ontgoocheld. Redelijk jong nog, maar ik ging
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
een paar jaar later terug naar Berkeley, Californië.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Ik zou het via de biologische kant benaderen.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Ik werd aanvaard in het PhD programma van biofysica, en ik zat goed.
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
Ik bestudeerde hersenen en ik zei: "Ik wil theorie studeren."
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Zij zeiden: "Nee, je kunt geen theorie studeren over de hersenen.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Zoiets doe je niet. Je krijgt daar geen subsidies voor.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
Als bachelorstudent kan je dat niet doen.” Dus ik dacht: "Mijn god!"
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Ik was heel teleurgesteld, want ik wilde een verschil maken.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Dus ging ik terug naar de computerindustrie
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
en besefte dat ik hier even zou moeten werken, iets realiseren.
04:20
That's when I designed all those computer products.
86
235000
3000
Toen creëerde ik al die computerproducten.
04:23
(Laughter)
87
238000
1000
(Gelach)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Ik zei: "Ik wil dit vier jaar doen en een beetje geld verdienen."
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
Ik had ondertussen een gezin, ik zou een beetje volwassen worden
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
en misschien zou het veld van de neurowetenschap ook wat volwassen worden.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Het duurde wat langer dan vier jaar. Ondertussen al 16 jaar.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Maar ik doe het nu en ik zal jullie erover vertellen.
04:39
So why should we have a good brain theory?
93
254000
3000
Waarom hebben we een goede hersentheorie nodig?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Er zijn verschillende redenen waarom mensen aan wetenschap doen.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Een ervan is: mensen weten graag dingen.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
We zijn nieuwsgierig en we gaan gewoon kennis opzoeken.
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Waarom bestuderen we mieren? Omdat het interessant is.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
We leren misschien iets nuttig, maar het is vooral interessant en fascinerend.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Maar soms heeft een wetenschap nog andere kenmerken
04:57
which makes it really, really interesting.
100
272000
2000
wat ze écht interessant maakt.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Soms zal een wetenschap iets over onszelf vertellen,
05:02
it'll tell us who we are.
102
277000
1000
ons vertellen wie we zijn.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Dit gebeurt maar heel af en toe zoals met de evolutietheorie en Copernicus,
05:06
where we have a new understanding of who we are.
104
281000
2000
waardoor we een nieuw begrip kregen over wie we zijn.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Uiteindelijk zijn we onze hersenen. Mijn brein praat nu met jouw brein.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Onze lichamen volgen gewoon, maar mijn brein praat met jouw brein.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
Als we willen begrijpen wie we zijn en hoe we voelen en waarnemen,
05:18
we really understand what brains are.
108
293000
2000
moeten we echt begrijpen wat hersenen zijn.
05:20
Another thing is sometimes science
109
295000
2000
Iets anders nog: wetenschap
05:22
leads to really big societal benefits and technologies,
110
297000
2000
leidt soms tot grote maatschappelijke en technologische voordelen,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
bedrijven of om het even wat eruit voortkomt. Dit is er ook een van.
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
Als we weten hoe de hersenen werken, zullen we
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
intelligente machines kunnen maken en ik denk dat dit uiteindelijk iets goed is.
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
Het zal enorme voordelen hebben voor onze maatschappij
05:34
just like a fundamental technology.
115
309000
2000
net zoals een fundamentele technologie.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Waarom hebben we dan geen goede hersentheorie?
05:38
And people have been working on it for 100 years.
117
313000
3000
We zijn er al honderd jaar naar op zoek.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Laten we eerst kijken naar hoe normale wetenschap eruit ziet.
05:43
This is normal science.
119
318000
2000
Dit is normale wetenschap.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Normale wetenschap is een mooie balans tussen theorie en experimenten.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Degenen die de theorie bedenken zeggen: "Ik denk dat dit gebeurt.",
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
terwijl degenen die de experimenten uitvoeren zeggen: "Nee, je zit verkeerd."
05:53
And it goes back and forth, you know?
123
328000
2000
Zo gaat dat over en weer, snap je?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Zo gaat dat in fysica. Zo gaat dat in geologie. Maar als dit normale wetenschap is,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
hoe ziet neurowetenschap er dan uit? Zo ziet neurowetenschap eruit.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
We hebben een berg data, bestaande uit anatomie, fysiologie en gedrag.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Je kunt je niet voorstellen hoeveel details we weten over de hersenen.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Dit jaar kwamen 28.000 mensen naar de neurowetenschapsconferentie
06:12
and every one of them is doing research in brains.
129
347000
2000
en stuk voor stuk deden ze aan hersenonderzoek.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Een heleboel data. Maar er is geen theorie. Je ziet slechts een klein kadertje daarboven.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Theorie heeft nog nooit een grote rol gespeeld in de neurowetenschap.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
Het is echt zonde. Hoe is dit nu gekomen?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Als je aan neurowetenschappers vraagt waarom dit nu de stand van zaken is,
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
zullen ze dat eerst toegeven. Maar als je het vraagt
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
zeggen ze wel: “Er zijn verscheidene redenen waarom we geen goede hersentheorie hebben.”
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Sommigen zeggen dat we nog steeds niet genoeg data hebben.
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
We hebben meer informatie nodig, er zijn nog zoveel dingen die we niet weten.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Ik vertelde net dat er zoveel data is dat het je oren uitkomt.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
We hebben zo veel informatie, maar weten niet hoe we ze moeten organiseren.
06:45
What good is more going to do?
140
380000
2000
Waarom zouden we er nog meer nodig hebben?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Misschien hebben we geluk en ontdekken we plots iets magisch, maar dat geloof ik niet.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Dit is eigenlijk een symptoom van het feit dat we geen theorie hebben.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
We hebben niet nog meer data nodig, we hebben een goede theorie nodig.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Mensen zeggen ook soms dat de hersenen zo complex zijn dat
06:59
it'll take another 50 years.
145
394000
2000
het nog eens 50 jaar zal duren.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Ik denk zelfs dat Chris gisteren zoiets zei.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Ik weet niet zeker wat je zei Chris, maar iets als:
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
"Het is een van de meest gecompliceerde dingen in het universum." Dat is niet waar.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Jij bent gecompliceerder dan je brein. Je hebt een brein.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
En hoewel het brein er heel gecompliceerd uitziet,
07:12
things look complicated until you understand them.
151
407000
3000
lijken dingen enkel gecompliceerd tot je ze begrijpt.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Dat is al altijd zo geweest. Al wat we kunnen zeggen is dat
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
onze neocortex, het stuk van de hersenen waarin ik geïnteresseerd ben, 30 miljard cellen heeft.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Maar weet je wat? Ze zijn eigenlijk heel gelijkmatig.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Eigenlijk lijkt het alsof hetzelfde patroon zich steeds opnieuw herhaalt.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Het is niet zo complex als het eruit ziet. Dat is niet het probleem.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Sommigen zeggen, hersenen kunnen geen andere hersenen begrijpen.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Heel Zen-achtig.
07:35
You know,
159
430000
1000
(Gelach)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Het klinkt goed, maar waarom? Maar wat is het punt?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
Het is slechts een hoopje cellen. Je begrijpt je lever.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Die heeft ook een heleboel cellen.
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Dus ik geloof dat dit niet klopt.
07:46
And finally, some people say, well, you know,
164
441000
2000
En uiteindelijk zijn er sommigen die zeggen:
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
ik voel me niet als een hoopje cellen, ik ben bewust.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Ik heb deze ervaring, ik sta in de wereld,
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
ik kan niet alleen maar een hoopje cellen zijn.
07:56
people used to believe there was a life force to be living,
168
451000
3000
Mensen geloofden ooit dat er een levenskracht nodig was om te kunnen leven.
07:59
and we now know that's really not true at all.
169
454000
2000
We weten ondertussen dat dat helemaal niet waar is.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Er is eigenlijk geen enkel bewijs, buiten het feit dat mensen
08:04
just have disbelief that cells can do what they do.
171
459000
2000
gewoon niet geloven dat cellen kunnen doen wat ze doen.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Zo zijn sommige mensen in de val van het metafysisch dualisme getrapt,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
ook hele slimme mensen, maar dat kunnen we allemaal negeren.
08:12
(Laughter)
174
467000
2000
(Gelach)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Ik ga jullie vertellen dat er iets anders is,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
iets heel fundamenteels, namelijk dit:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
er is een andere reden waarom we geen goede hersentheorie hebben.
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
Dat is omdat we een sterk intuïtieve,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
maar verkeerde aanname hebben, die ons ervan weerhoudt het antwoord te zien.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
We geloven dat iets gewoon vanzelfsprekend is, maar het is verkeerd.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Dit heeft een geschiedenis in de wetenschap en vooraleer ik je vertel wat het is,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
ga ik een beetje vertellen over de geschiedenis ervan in de wetenschap.
08:38
You look at some other scientific revolutions,
183
493000
2000
Als je kijkt naar wetenschappelijke revoluties,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
in dit geval heb ik het over het zonnestelsel, Copernicus,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
de evolutieleer van Darwin en de tektonische platen van Wegener.
08:45
They all have a lot in common with brain science.
186
500000
3000
Ze hebben allemaal veel gemeen met neurowetenschap.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Eerst hadden ze ook een hoop onverklaarde data. Een heleboel.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Het werd echter meer werkbaar toen ze een theorie hadden.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
De slimste koppen stonden voor een raadsel, heel slimme mensen.
08:57
We're not smarter now than they were then.
190
512000
2000
We zijn nu niet slimmer dan zij toen waren.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Het blijkt gewoon dat het heel moeilijk is om bepaalde dingen te bedenken,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
maar eenmaal bedacht, is het redelijk gemakkelijk om ze te begrijpen.
09:03
My daughters understood these three theories
193
518000
2000
Mijn dochters begrepen de basisprincipes
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
van deze drie theorieën toen ze nog op de kleuterschool zaten.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Het is niet zo moeilijk, hier is de appel, hier is de sinaasappel,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
de aarde draait rond, dat soort zaken.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Het antwoord was er al de hele tijd, maar we
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
negeerden het omwille van dat vanzelfsprekende idee en dat bedoel ik nu.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Het was een intuïtief, vastgeroest geloof maar een verkeerd geloof.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
In het geval van het zonnestelsel bijvoorbeeld, het idee dat de aarde draait
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
en het oppervlak van de aarde een snelheid haalt van 1600 km per uur,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
en dat de aarde zich met een snelheid van 1,6 miljoen km per uur door het zonnestelsel verplaatst.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Dit is krankzinnig. We weten allemaal dat de aarde niet beweegt.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Voelt het alsof je met 1600 km per uur beweegt?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Natuurlijk niet. En iemand die beweerde
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
dat we ronddraaien in deze enorme ruimte,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
hebben ze opgesloten.
09:41
(Laughter)
208
556000
1000
(Gelach)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
De oude aanname leek zo intuïtief en vanzelfsprekend. Wat met de evolutieleer?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
Evolutie is hetzelfde. We leerden onze kinderen dat, volgens de Bijbel,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
God al deze levensvormen creëerde, katten zijn katten, honden zijn honden,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
mensen zijn mensen, planten zijn planten, ze veranderen niet.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noah zette hen op de Ark in die volgorde, bla bla bla.
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
Maar als je in evolutie gelooft, hebben we allemaal dezelfde voorouder
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
en hebben we allemaal dezelfde afkomst als die plant in de lobby.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Dit vertelt de evolutie ons. Ook weer een beetje moeilijk om te geloven.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
Hetzelfde met tektonische platen.
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Dat al die bergen en continenten zo maar wat ronddrijven
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
op de aarde lijkt geen steek te houden.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Wat is dan de intuïtieve, maar verkeerde aanname,
10:20
that's kept us from understanding brains?
221
595000
2000
die ons ervan weerhoudt hersenen te begrijpen?
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
Wat ik jullie ga vertellen, gaat vanzelfsprekend juist lijken.
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
En daar gaat het toch om, niet? Ik moet een argument vinden
10:26
why you're incorrect about the other assumption.
224
601000
2000
waarom je verkeerd zit met die andere aanname.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
Het intuïtieve, vanzelfsprekende is dat intelligentie
10:31
is defined by behavior,
226
606000
2000
bepaald lijkt te worden door gedrag,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
dat we intelligent zijn door de manier waarop we dingen doen
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
en de manier waarop we ons intelligent gedragen. Ik ga jullie vertellen dat dat verkeerd is.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Intelligentie wordt eigenlijk bepaald door voorspelling.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Ik zal het jullie verduidelijken door een aantal dia's
10:43
give you an example of what this means. Here's a system.
231
618000
4000
met voorbeelden. Hier heb je een systeem.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Ingenieurs en wetenschappers kijken graag naar dergelijke systemen.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Ze zeggen: “We hebben iets in een doos en er gaat wat in en er komt wat uit..”
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Volgens de mensen van kunstmatige intelligentie zat er in de doos een programmeerbare computer
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
omdat dat gelijk is aan een brein. We geven het wat input
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
en het zal iets doen, het zal gedrag vertonen.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Alan Turing stelde de Turingtest op, die in principe zegt:
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
“We weten of iets intelligent is als het zich identiek gedraagt als een mens.”
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Een gedragsmatige maatstaf van wat intelligentie is.
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
Dit idee is lang meegegaan.
11:12
Reality though, I call it real intelligence.
241
647000
2000
Maar in werkelijkheid vind ik
11:14
Real intelligence is built on something else.
242
649000
2000
dat échte intelligentie gebaseerd is op iets anders.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
We ervaren de wereld door een opeenvolging van patronen. We slaan ze op
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
en roepen ze opnieuw op. En wanneer we ze oproepen, toetsen we ze
11:23
against reality, and we're making predictions all the time.
245
658000
4000
aan de werkelijkheid. We maken voortdurend voorspellingen.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
Het is een voortdurende controle die blijft nagaan
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
of we de wereld begrijpen? Maak ik voorspellingen? Enzoverder.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Jullie zijn nu allemaal intelligent bezig, maar jullie doen niets.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Misschien krab je jezelf of zit je in je neus,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
ik weet het niet, maar je doet niets op dit moment,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
Maar je bent intelligent bezig want je begrijpt wat ik zeg.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Omdat je intelligent bent en je Engels spreekt,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
weet je welk woord er komt op het einde van deze... (stilte)
11:45
sentence.
254
680000
2000
... zin.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Dat woord bedacht je zelf, je maakt voortdurend dergelijke voorspellingen.
11:50
And then, what I'm saying is,
256
685000
2000
Wat ik bedoel is
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
dat de eeuwige voorspelling de output is van de neocortex.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
en dat, op een of andere manier, voorspelling leidt tot intelligent gedrag.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
Hoe gebeurt dit nu? Laten we van start gaan met een niet-intelligent brein.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Ik zeg nadrukkelijk: een niet-intelligent brein, een oud brein.
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
Laten we zeggen dat het geen zoogdier is, maar een reptiel,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
bijvoorbeeld een alligator.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Deze alligator heeft zeer goed ontwikkelde zintuigen.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Hij heeft goede ogen, oren, tastzintuigen,
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
een mond en een neus. Hij vertoont complex gedrag.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Hij kan lopen en zich verbergen. Hij heeft angsten en emoties. Hij kan je opeten,
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
hij kan aanvallen. Hij kan allerlei dingen doen.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Maar we beschouwen de alligator niet echt als intelligent, niet op de manier waarop mensen dat zijn.
12:32
But it has all this complex behavior already.
269
727000
2000
Toch vertoont hij complex gedrag.
12:34
Now, in evolution, what happened?
270
729000
2000
Wat gebeurde er in de evolutie?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Het eerste wat zoogdieren in de evolutie ontwikkelden
12:39
we started to develop a thing called the neocortex.
272
734000
2000
was de neocortex.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Ik zal de neocortex hier afbeelden
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
aan de hand van deze doos die bovenop het oude brein plakt.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Neocortex betekent letterlijk 'nieuwe laag'. Een nieuwe laag bovenop je brein.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Mocht je het niet kennen: het is dat gekreukeld ding boven in je hoofd.
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
Het raakte gekreukeld omdat het erin werd geduwd. Het past er niet goed in.
12:54
(Laughter)
278
749000
1000
(Gelach)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Nee, echt waar. Het heeft ongeveer de grootte van een servet.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
Het paste niet, dus het raakte helemaal verkreukeld. Kijk hoe ik dit getekend heb.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Het oude brein is er nog. Je hebt nog steeds dat alligatorbrein.
13:04
You do. It's your emotional brain.
282
759000
2000
Dat is je emotionele brein.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Het zijn al die dingen en alle instinctieve reacties die je hebt.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Daarboven hebben we het geheugensysteem dat de neocortex heet.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
Het geheugensysteem zit over het zintuiglijke deel van het brein.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Als de zintuiglijke input binnenkomt via het oude brein
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
gaat hij ook omhoog naar de neocortex. De neocortex registreert gewoon
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
en onthoudt alle gebeurtenissen.
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
Waar ik geweest ben, de mensen die ik gezien heb, dingen die ik hoorde, enz.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
In de toekomst, wanneer hij nog eens iets gelijkaardigs ziet
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
in een gelijkaardige of in dezelfde omgeving,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
zal hij het opnieuw afspelen.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
O, ik ben hier al eens geweest. Toen ik hier was,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
gebeurde dit. Het laat je toe de toekomst te voorspellen.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Hij stuurt letterlijk signalen, die je laten zien wat er straks
13:47
they'll let you see what's going to happen next,
296
802000
2000
gaat gebeuren, terug naar je brein.
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
Je hoort het woord 'zin' nog voor ik het uitspreek.
13:52
And it's this feeding back into the old brain
298
807000
3000
Het is dit terugkoppelen naar het oude brein
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
dat je toelaat meer intelligente beslissingen te nemen.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Dit is de belangrijkste dia van mijn lezing, ik blijf er even bij stilstaan.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Telkens opnieuw merk je dat je dingen kan voorspellen.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Als je een rat bent en je gaat door een doolhof, dan leer je de doolhof.
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
De volgende keer wanneer je in de doolhof bent, gedraag je je hetzelfde
14:10
but all of a sudden, you're smarter
304
825000
2000
maar plots ben je nu slimmer
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
omdat je merkt dat je deze doolhof herkent en weet welke kant je uit moet.
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
Je bent hier al geweest, je ziet de toekomst voor je. Dat is wat het doet.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Bij mensen, trouwens dit geldt voor alle zoogdieren,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
maar bij mensen ging het nog veel verder.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Bij mensen ontwikkelden we zelfs het voorste stuk van de neocortex
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
het anterieure deel van de neocortex. De natuur gebruikte hier een trucje:
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
zij kopieerde het posterieure deel, het achterste deel, het zintuiglijke,
14:32
and put it in the front part.
312
847000
2000
en stopte het in het voorste deel.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Enkel bij mensen hebben we hetzelfde mechanisme vooraan.
14:36
but we use it for motor control.
314
851000
2000
We gebruiken het voor motorische controle.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Dus we kunnen nu een heel verfijnde motorische planning maken, dat soort dingen.
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
Ik heb geen tijd om hier dieper op in te gaan, maar als je wilt weten hoe de hersenen werken,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
moet je begrijpen hoe het eerste deel van de neocortex van zoogdieren werkt,
14:47
how it is we store patterns and make predictions.
318
862000
2000
hoe we patronen opslaan en voorspellingen maken.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Laat me jullie een paar voorbeelden geven van voorspellingen.
14:52
I already said the word "sentence." In music,
320
867000
2000
Ik zei bijvoorbeeld al het woord 'zin'. Op muzikaal vlak:
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
als je een lied al eens hebt gehoord, als je Jill die liedjes al hebt horen zingen,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
schieten de volgende noten je al te binnen wanneer ze zingt.
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
Je anticipeert op wat volgt. Als je een volledig album beluistert,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
zal bij het einde van een lied, het volgende lied je al te binnen schieten.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
Deze dingen gebeuren constant. Je maakt voorspellingen.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Ik heb een experiment het 'gewijzigde-deur-gedachte-experiment' genoemd.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
In dit experiment gaan we ervan uit dat je thuis een deur hebt.
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
Terwijl je hier bent, verander ik de deur. Ik heb een mannetje
15:16
back at your house right now, moving the door around,
329
891000
2000
dat nu bij jou thuis die deur aan het bewerken is.
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
Hij gaat je deurknop vijf centimeter verplaatsen.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Als je vanavond naar huis gaat, ga je je hand uitsteken,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
naar de deurknop reiken en merken
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
dat die op de verkeerde plaats zit. Je merkt dat er iets is veranderd.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Het duurt misschien even voor je het beseft, maar er is iets veranderd.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Ik kan je deurknop op verschillende manieren veranderen.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Ik kan hem groter of kleiner maken, het koper in zilver veranderen,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
hem in een hendel veranderen. Ik kan je deur veranderen, ze schilderen.
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
Ik kan er ramen in plaatsen. Ik kan duizend dingen aan je deur veranderen
15:38
and in the two seconds you take to open your door,
339
913000
2000
en in de twee seconden die je nodig hebt om je deur te openen,
15:40
you're going to notice that something has changed.
340
915000
3000
zal je merken dat er iets veranderd is.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Een ingenieur of kunstmatige intelligentie zou hiervoor
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
een database bouwen die alle deurattributen bevat.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
Wanneer je de deur benadert, ga je ze allemaal aflopen.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Deur, deur, deur, je weet wel, kleur, je weet wat ik bedoel.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Wij doen dit niet. Je brein doet dat niet.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Je brein maakt constante voorspellingen
15:57
about what is going to happen in your environment.
347
932000
2000
over wat er gaat gebeuren in je omgeving.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Als ik mijn hand op deze tafel leg, verwacht ik te voelen waar ze eindigt.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Als ik rondloop en de tafel op een haar na zou missen,
16:05
I'll know something has changed.
350
940000
2000
zal ik weten dat er iets veranderd is.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Je maakt voortdurend voorspellingen over je omgeving.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Ik zal het kort hebben over zien. Dit is een plaatje van een vrouw.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Wanneer je mensen aankijkt, bewegen je ogen
16:14
over at two to three times a second.
354
949000
1000
ongeveer 2 à 3 keer per seconde over en weer.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Je doet dit onbewust, je ogen zijn constant in beweging.
16:17
And so when you look at someone's face,
356
952000
2000
Wanneer je naar iemand zijn gezicht kijkt,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
ga je normaal van oog naar oog naar oog naar neus naar mond.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Wanneer je beweegt van oog naar oog,
16:23
if there was something else there like, a nose,
359
958000
2000
en er zou daar iets anders staan, bijvoorbeeld een neus,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
zou je een neus zien op de plaats van het oog.
16:27
and you'd go, oh shit, you know --
361
962000
3000
Je zou denken: "Oh shit."
16:30
(Laughter)
362
965000
1000
(Gelach)
16:31
There's something wrong about this person.
363
966000
2000
“Er is iets mis met deze persoon.”
16:33
And that's because you're making a prediction.
364
968000
2000
Dat is omdat je een voorspelling maakt.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Het is niet alsof je er gewoon naar kijkt en zegt: “Wat zie ik nu?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Een neus, oké.” Nee, je hebt een verwachting van wat je gaat zien.
16:40
(Laughter)
367
975000
1000
(Gelach)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Ten laatste, laten we eens denken over hoe we intelligentie testen.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
We testen het volgens voorspelling. Wat is het volgende woord in deze …
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Dit verhoudt zich tot dit zoals dit zich verhoudt tot dat. Wat is het volgende nummer in deze rij?
16:51
Here's three visions of an object.
371
986000
2000
Hier zijn drie beelden van een object.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Welke is het vierde? Zo testen we dat. Het draait allemaal rond voorspellingen.
16:57
So what is the recipe for brain theory?
373
992000
3000
Dus wat is het recept voor een hersentheorie?
17:00
First of all, we have to have the right framework.
374
995000
3000
Ten eerste: we moeten het juiste kader hebben.
17:03
And the framework is a memory framework,
375
998000
2000
Dat kader is een geheugenkader,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
geen berekenings- of een gedragskader. Een geheugenkader.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Hoe sla je al deze reeksen en patronen op? Het zijn tijdelijke ruimtelijke patronen.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Vertrekkend vanuit dat kader, zoek je een paar theoretici.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Over het algemeen zijn biologen geen goede theoretici.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Het is niet altijd zo, maar over het algemeen is er geen goede geschiedenis van theorie in biologie.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Voor mij zijn de beste mensen om mee te werken de natuurkundigen,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
ingenieurs en wiskundigen, die meestal algoritmisch denken.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Dan moeten zij de anatomie leren en ook de fysiologie.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Je moet deze theorieën realistisch maken in anatomische termen.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Iemand die je zijn theorie vertelt over hoe het brein werkt
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
en je niet exact vertelt hoe het werkt in het brein
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
en hoe de connecties werken in de hersenen, heeft geen theorie.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Dat doen we aan het Redwood Instituut voor Neurowetenschap.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Ik had graag meer tijd gehad, we boeken fantastische vooruitgang
17:48
and I expect to be back up on this stage,
390
1043000
2000
en ik verwacht mezelf in de nabije toekomst
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
terug op dit podium om jullie erover te vertellen.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Ik zie het volledig zitten. Dit gaat geen 50 jaar duren.
17:55
So what will brain theory look like?
393
1050000
2000
Hoe gaat de hersentheorie eruit zien?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Eerst en vooral zal het een geheugentheorie zijn.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Niet zoals computergeheugen. Helemaal niet zoals computergeheugen.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Het is helemaal anders. Het is een geheugen van
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
hoog-dimensionale patronen, vergelijkbaar met hetgeen je ogen produceren.
18:07
It's also memory of sequences.
398
1062000
2000
Het is ook een geheugen van sequenties.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Je kunt niets leren of onthouden buiten een sequentie.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Een liedje moet gehoord worden in een volgorde van tijd,
18:14
and you must play it back in sequence over time.
401
1069000
3000
en je moet het terug afspelen in volgorde van tijd.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
En deze volgorde wordt auto-associatief opgeroepen, ik zie en hoor iets
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
dat mij eraan doet denken en ze wordt automatisch terug afgespeeld.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
Het is een automatische playback. En voorspelling van toekomstige inputs is de gewenste output.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Zoals ik zei moet de theorie biologisch accuraat zijn,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
ze moet toetsbaar zijn en je moet ze kunnen opbouwen.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Als je ze niet opbouwt, begrijp je haar niet. Nog een dia.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Wat zal het resultaat zijn? Gaan we intelligente machines maken?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Absoluut. En het zal anders zijn dan de mensen zich voorstellen.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Voor mij is er geen twijfel mogelijk dat het zal gebeuren.
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
Eerst en vooral bouwen we ze op en zullen we dingen maken van silicium.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
We kunnen hier dezelfde technieken gebruiken
18:54
we can use for here.
413
1109000
1000
zoals bij het bouwen van computergeheugens van silicium.
18:55
But they're very different types of memories.
414
1110000
2000
Maar het zijn zeer verschillende geheugentypes.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
We zullen deze geheugens aan sensoren koppelen,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
al de sensoren zullen real-live data ontvangen,
19:02
and these things are going to learn about their environment.
417
1117000
2000
en deze dingen zullen leren over hun omgeving.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Het is zeer onwaarschijnlijk dat robots de eerste dingen zullen zijn die je zult zien.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Robots zijn nuttig en mensen kunnen ze maken.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Maar het robotgedeelte is het moeilijkste stuk. Dat is het oude brein. Behoorlijk moeilijk.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Het nieuwe brein is eigenlijk gemakkelijker dan het oude brein.
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
De eerste dingen die we gaan doen, zijn dingen die niet veel robotica nodig hebben.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Je gaat geen C-3PO zien.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Je gaat eerder dingen als intelligente auto's zien
19:23
that really understand what traffic is and what driving is
425
1138000
3000
die echt begrijpen wat verkeer is en hoe je moet rijden.
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
Die geleerd hebben dat auto’s die langer dan een halve minuut met knipperlichten aan rijden,
19:29
probably aren't going to turn, things like that.
427
1144000
2000
waarschijnlijk niet gaan afslaan, dat soort dingen.
19:31
(Laughter)
428
1146000
1000
(Gelach)
19:32
We can also do intelligent security systems.
429
1147000
2000
We kunnen ook intelligente beveiligingssystemen maken.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Overal waar we onze hersenen gebruiken, maar eigenlijk niet veel mechanisch doen.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Dat gaat eerst gebeuren.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Maar uiteindelijk zit er geen limiet op.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Ik weet niet hoe dit zal verlopen.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Ik ken een aantal mensen die de microprocessor uitvonden.
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
Ze wisten dat ze aan iets heel belangrijk werkten,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
maar ze wisten ook niet wat er ging gebeuren.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Ze konden niet anticiperen op mobiele telefoons en het internet.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Ze wisten gewoon dat ze rekenmachines gingen maken
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
en verkeerslichtsystemen. Maar het zal groots worden.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
Op dezelfde manier is dit zoals neurowetenschap en deze geheugens
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
gaan zeer fundamentele technologie worden. Het zal leiden
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
tot ongelofelijke veranderingen in de volgende 100 jaar.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Ik ben zeer benieuwd hoe we ze gaan gebruiken in wetenschap.
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
Ik geloof dat mijn tijd er op zit, ik zit er eigenlijk al over.
20:19
right there.
445
1194000
1000
Daarmee eindigt dan mijn lezing.
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