TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins o tym, jak nauka o mózgu zmieni komputerologię.
Filmed:
Readability: 3.2
1,674,773 views
Twórca Treo Jeff Hawkins nawołuje do nowego spojrzenia na mózg - nie jak na szybki procesor, ale jak na system pamięci, który składuje i odtwarza doświadczenia, by pomóc nam inteligentnie przewidywać co się stanie za chwilę.
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
Robię dwie rzeczy. Projektuję mobilne komputery i badam mózgi.
00:29
And today's talk is about brains and,
1
4000
2000
Dzisiejsza mowa jest na temat mózgów i,
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
hurra, mam gdzieś tutaj fana mózgów.
00:33
(Laughter)
3
8000
2000
(Śmiech)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Jeśli mogę prosić o mój pierwszy slajd,
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
zobaczycie tytuł mojej prezentacji i moje dwa powiązania.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Będę więc mówił o tym, czemu nie mamy dobrej teorii na temat mózgu,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
czemu powinniśmy stworzyć takową i co możemy z tym zrobić.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
I spróbuję zrobić to wszystko w ciągu 20 minut. Mam dwa powiązania.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
Większość z was zna mnie z czasów moich Palm i Handspring,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
ale przewodzę też instytutowi naukowemu typu non-profit,
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
którego nazwa brzmi "Instytut Neuronauk Redwood w Menlo Park",
00:59
and we study theoretical neuroscience,
12
34000
2000
i tam prowadzimy badania nad teorią neuronauk,
01:01
and we study how the neocortex works.
13
36000
2000
i badamy jak działa kora nowa (neokorteks).
01:03
I'm going to talk all about that.
14
38000
2000
Będę mówił właśnie o tym.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Mam jeden slajd o moim innym życiu, życiu komputerowym, i to jest ten slajd.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
To są niektóre produkty nad którymi pracowałem przez ponad 20 ostatnich lat,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
zaczynając od pierwszych laptopów, poprzez pierwsze komputery biurkowe
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
i tak dalej, kończąc ostatnio na Treo,
01:17
and we're continuing to do this.
19
52000
2000
i kontynuujemy to.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Robiłem to ponieważ szczerze wierzę, że mobilne komputery
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
są przyszłością osobistej elektroniki i staram się uczynić świat
01:24
a little bit better by working on these things.
22
59000
3000
odrobinę lepszym poprzez pracę nad nimi.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Ale to wszystko, muszę się przyznać, stało się przypadkiem.
01:29
I really didn't want to do any of these products
24
64000
2000
Szczerze nie chciałem współtworzyć żadnego z tych produktów
01:31
and very early in my career I decided
25
66000
2000
i bardzo wcześnie w swojej karierze postanowiłem
01:33
I was not going to be in the computer industry.
26
68000
3000
że nie będę pracować w branży komputerowej.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
I nim opowiem wam o tym, muszę wam powiedzieć
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
ten mały obraz graffiti który wziąłem z sieci pewnego dnia.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Szukałem obrazu graffiti, wpisałem odpowiednią komendę
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
i znalazłem stronę zadedykowaną nauczycielom, którzy chcą robić,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
wiecie co, te napisy umieszczane na górnej części tablicy szkolnej,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
i dodali do nich graffiti, przepraszam za to.
01:52
(Laughter)
33
87000
2000
(Śmiech)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Więc kiedy byłem młodym absolwentem szkoły technicznej
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
w Cornell w 1979 roku, postanowiłem, że będę pracował dla Intela.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Po trzech miesiącach pracy w przemyśle komputerowym
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
zafascynowało mnie coś innego, powiedziałem wtedy: "Wybrałem zły zawód",
02:10
and I fell in love with brains.
38
105000
3000
zafascynował mnie ludzki mózg.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
To nie jest prawdziwy mózg. To obraz jednego, rysunek kreską.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Nie pamiętam dokładnie jak to się stało,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
ale mam jedno wspomnienie, które cały czas tkwi w mojej głowie.
02:22
In September 1979, Scientific American came out
42
117000
3000
We wrześniu 1979 roku, wydanie magazynu Scientific American zostało
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
w całości poświęcone mózgowi. To było całkiem udane wydanie.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Jedno z najlepszych wyadań tego magazynu. I zawierało artykuły o neuronach,
02:31
and development and disease and vision and all the things
45
126000
2000
o rozwoju mózgu, o jego schorzeniach, o wzroku i o wszystkich tych rzeczach,
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
o których chciałbyś wiedzieć w kontekście mózgu. To było naprawdę imponujące.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
To wszystko sprawiało wrażenie, że naprawdę dużo wiemy o mózgu.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Ale ostatni artykuł napisany był przez Francisa Cricka, jednego z odkrywców DNA.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Dziś przypada, o ile się nie mylę, 50-ta rocznica odkrycia DNA.
02:46
And he wrote a story basically saying,
50
141000
2000
Napisał artykuł, w którym stwierdził, że
02:48
well, this is all well and good, but you know what,
51
143000
3000
wszystko to wydaje się takie oczywiste, ale wiecie co,
02:51
we don't know diddley squat about brains
52
146000
2000
tak naprawdę wiemy bardzo mało o mózgu
02:53
and no one has a clue how these things work,
53
148000
2000
i nikt nie ma pojęcia jak mózg funkcjonuje,
02:55
so don't believe what anyone tells you.
54
150000
2000
więc nie wierzcie w to, co mówią inni.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Oto cytat z tego artykułu. Powiedział "Czego wyraźnie nam brakuje,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
jest bardzo poprawnym brytyjskim dżentelmenem, więc "Czego wyraźnie nam brakuje
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
to szeroka struktura koncepcji, dzięki którym uporządkujemy różne podejścia do mózgu"
03:07
I thought the word framework was great.
58
162000
2000
Pomyślałem, że słowo struktura było świetnie dobrane.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Nie powiedział, że nie mamy nawet teorii. Stwierdził, że
03:11
we don't even know how to begin to think about it --
60
166000
2000
nie wiemy nawet jak zacząć myśleć o mózgu --
03:13
we don't even have a framework.
61
168000
2000
nie mamy nawet struktury koncepcji.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Obecnie znajdujemy się na etapie pre-paradygmatu jak to ujął Thomas Kuhn.
03:18
And so I fell in love with this, and said look,
63
173000
3000
Zafascynowało mnie to wszystko i pomyślałem, że
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
mamy całą tą wiedzę na temat mózgu. Jak trudne to może być?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
To jest coś, czemu mogę poświęcić swoje życie. Czułem, że mogę coś zmienić,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
więc spróbowałem odejść z branży komputerowej i zająć się badaniem mózgu.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Udałem się do MIT, gdzie zajmowano się badaniem sztucznej inteligencji
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
i powiedziałem, że także chcę budować inteligentne maszyny,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
ale aby to robić chcę najpierw poznać funkcjonowanie ludzkiego mózgu.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Odpowiedzieli, że nie jest to konieczne.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Zamierzamy tylko programować komputery, to wszystko co musimy zrobić.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Odpowiedziałem, że naprawdę powinni najpierw poznać mózg. Stwierdzili, że
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
się mylę. A ja na to, że oni się mylą i ostatecznie nie dostałem pracy.
03:48
(Laughter)
74
203000
1000
(Śmiech)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Ale byłem trochę rozczarowany -- dosyć młody, ale spróbowałem jeszcze raz
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
kilka lat później, tym razem w Kalifornii, udałem się do Berkeley.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Powiedziałem sobie, że spróbuję poznać biologiczną stronę zagadnienia.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Więc zdecydowałem się na studia doktoranckie z biofizyki,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
więc powiedziałem im, że chcę studiować teorię.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Odpowiedzieli, że nie mogę studiować teorii na temat mózgu.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
To nie działa w ten sposób. Nie otrzymasz funduszy na ten cel.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
A jako absolwent nie możesz tego robić. Więc pomyślałem że to już koniec.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Byłem bardzo załamany. Ale pomyślałem, że mogę dokonać zmian w tej dziedzinie.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Więc wróciłem do branży komputerowej
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
i powiedziałem, że muszę tu popracować przez jakiś czas.
04:20
That's when I designed all those computer products.
86
235000
3000
To właśnie wtedy zaprojektowałem wszystkie te urządzenia.
04:23
(Laughter)
87
238000
1000
(Śmiech)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
I pomyślałem, że chcę zająć się tym przez cztery lata, zarobić trochę pieniędzy,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
tak jakbym miał własną rodzinę i dojrzałbym odrobinę
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
i może przez ten czas biznes neuronauk by dojrzał trochę.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
No, ale zajęło mi to dłużej niż cztery lata. To było około 16 lat.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Ale teraz się tym zajmuję i chcę wam o tym opowiedzieć.
04:39
So why should we have a good brain theory?
93
254000
3000
Więc dlaczego powinniśmy mieć dobrą teorię mózgu?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Istnieje wiele powodów, dla których ludzie zajmują się nauką.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Pierwszym -- najbardziej oczywistym -- jest to, że ludzie lubią wiedzieć.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Jesteśmy ciekawi świata, więc poznajemy go i zdobywamy wiedzę, prawda?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Dlaczego studiujemy życie mrówek? Dlatego, że to ineteresujące.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Może dowiemy się czegoś pożytecznego, ale to interesujące i fascynujące zajęcie.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Ale czasem, nauka ma inne cechy,
04:57
which makes it really, really interesting.
100
272000
2000
które sprawiają, że jest bardzo, bardzo interesująca.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Czasami nauka powie nam coś o nas samych,
05:02
it'll tell us who we are.
102
277000
1000
odpowie na pytanie kim jesteśmy.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Czasem takie odkrycia jak teoria ewolucji czy teoria Kopernika sprawiają,
05:06
where we have a new understanding of who we are.
104
281000
2000
że na nowo odkrywamy kim jesteśmy.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
A tak naprawdę jesteśmy mózgami. Mój mózg mówi do twojego mózgu.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Nasze ciała kroczą obok siebie, ale to mój mózg mówi do twojego mózgu.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
I jeśli chcemy zrozumieć kim jesteśmy, jak odczuwamy i postrzegamy,
05:18
we really understand what brains are.
108
293000
2000
naprawdę powiniśmy zrozumieć czym jest mózg.
05:20
Another thing is sometimes science
109
295000
2000
Inną zaletą nauki jest czasem to,
05:22
leads to really big societal benefits and technologies,
110
297000
2000
że prowadzi do naprawdę wielkich korzyści dla społeczeństwa i technologii,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
albo dla biznesu czy czegokolwiek innego. I to jest także ważne,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
ponieważ, kiedy zrozumiemy funkcjonowanie mózgu będziemy w stanie
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
budować inteligentne maszyny i myślę, że to jest naprawdę wielką zaletą
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
i że będzie to miało bardzo pozytywny wpływ na społeczeństwo
05:34
just like a fundamental technology.
115
309000
2000
tak jak dotychczasowy wpływ technologii.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Więc dlaczego nie mamy dobrej teorii mózgu?
05:38
And people have been working on it for 100 years.
117
313000
3000
Prace nad taką teorią trwają już od 100 lat.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
A więc, spójrzmy najpierw na to, jak wygląda normalna nauka.
05:43
This is normal science.
119
318000
2000
To jest normalna nauka.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Normalna nauka jest harmonią pomiędzy teorią, a eksperymentatorami.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
A więc, teoretycy mówią, ok, myślę - stanie się tak a nie inaczej,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
a na to eksperymentatorzy odpowiadają, nie, mylicie się.
05:53
And it goes back and forth, you know?
123
328000
2000
I tak w kółko, wiecie co mam na myśli?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Sprawdza się to w fizyce. Sprawdza w geologii. Ale jeśli to jest normalna nauka,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
to jak wygląda neuronauka? Oto jak wygląda neuronauka.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Zawiera mnóstwo informacji z anatomii, fizjologii i nauce o zachowaniu.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Nie potraficie sobie wyobrazić jak wiele informacji mamy o mózgu.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Naliczyliśmy 28,000 uczestników na tegorocznej konferencji dotyczącej neuronauki
06:12
and every one of them is doing research in brains.
129
347000
2000
i każdy z tych uczestników zajmuje się badaniami mózgu.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Mnóstwo informacji. Ale nie istnieje jeszcze jedna teoria. Jest tam tylko małe, pole na górze.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
I teoria nie miała żadnego wielkiego wpływu na rozwój neuronauk.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
To naprawdę wielki wstyd. Więc dlaczego tak się dzieje?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Jeśli zapytasz neuronaukowców dlaczego tak właśnie jest?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
Przede wszystkiem zgodzą się z tym. Ale, jeśli ich zapytasz to odpowiedzą,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
że istnieje wiele powodów, dla których nie dysponujemy dobrą teorią mózgu.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Niektórzy powiedzą, że nie dysponujemy jeszcze wystarczającą ilością informacji,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
że musimy zdobyć ich więcej, zbyt wiele jeszcze nie wiemy.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Ale przecież powiedziałem wam, że mamy tak wiele informacji na temat mózgu.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Mamy tak dużo informacji; nie wiemy jak zacząć organizować te wszystkie dane.
06:45
What good is more going to do?
140
380000
2000
Co dobrego możemy jeszcze zrobić?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Może będziemy mieli szczęście i odkryjemy magiczną formułę, ale nie sądzę.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
To tak naprawdę symptom tego, że nie posiadamy jeszcze teorii dot. mózgu.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Nie potrzebujemy jeszcze więcej informacji -- potrzebujemy dobrej teorii.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Czasem ludzie twierdzą, że mózg jest tak skomplikowanym organem,
06:59
it'll take another 50 years.
145
394000
2000
że poznanie go zajmie jeszcze 50 lat.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Myślę, że Chris powiedział nawet coś podobnego wczoraj.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Nie jestem pewien co powiedziałeś Chris, ale to było coś takiego, że
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
mózg jest najbardziej skomplikowaną strukturą we wszechświecie. Nie zgadzam się z tym.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Myślę, że jesteś bardziej skomplikowany niż twój mózg. Masz mózg.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
I pomimo tego, że mózg wydaje się być skomplikowanym organem,
07:12
things look complicated until you understand them.
151
407000
3000
to myślę, że rzeczy pozostają skomplikowane, dopóty dopóki ich nie zrozumiemy.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Zawsze tak było. Więc wszystko co możemy powiedzieć, to że
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
kora nowa, będąca częścią mózgu, którą się interesuję, ma 30 miliardów komórek.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Ale wiecie co? Ta część mózgu jest bardzo, bardzo regularna.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Wyglądem przypomina powtarzającą się strukturę.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Nie jest tak skomplikowana jak się wydaje. To nie jest sedno sprawy.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Niektórzy mówią, że mózg nie może zwyczajnie zrozumieć mózgu.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
To trochę w stylu zen. Uuuuu. Wiecie o co mi chodzi --
07:35
You know,
159
430000
1000
(Śmiech)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Brzmi całkiem dobrze, ale dlaczego? Jaki to ma sens?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
To przecież tylko zlepek komórek. Rozumiesz działanie swojej wątroby.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Także składa się z wielu komórek, prawda?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Myślę więc, że to nie ma wielkiego znaczenia.
07:46
And finally, some people say, well, you know,
164
441000
2000
I na koniec, niektórzy mówią, że
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
nie jestem tylko zlepkiem komórek. Mam przecież świadomość.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Doświadczam życia, jestem na świecie.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Nie mogę być tylko zlepkiem komórek. No tak,
07:56
people used to believe there was a life force to be living,
168
451000
3000
ludzie wierzyli kiedyś, że istnieje pewna siła, sprawiająca, że żyjemy
07:59
and we now know that's really not true at all.
169
454000
2000
i wiemy dziś, że to wcale nie jest prawda.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
I naprawdę nie ma dowodów, które potwierdzają, no może poza ludźmi
08:04
just have disbelief that cells can do what they do.
171
459000
2000
którzy zwyczajnie nie wierzą w to, że komórki potrafią to co potrafią.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
I tak jeśli niektórzy ludzie wpadli w pułapkę metafizycznego dualizmu,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
niektórzy mądrzy ludzie także, to możemy się tym nie przejmować.
08:12
(Laughter)
174
467000
2000
(Śmiech)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Zamierzam wam powiedzieć, że jest coś jeszcze,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
i to jest naprawdę istotne, to jest to:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
istnieje kolejny powód, dla którego nie dysponujemy dobrą teorią mózgu,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
i to dlatego, że jest w nas intuicyjne, głęboko zakorzenione,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
ale nieprawdziwe założenie, które nie pozwala nam dostrzec prawdy.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Jest coś w co wierzymy, że jest oczywiste, ale zarazem jest złe.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Istnieje to w historii nauki i zanim powiem wam, co to jest,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
zamierzam opowiedzieć wam trochę o historii tego w nauce.
08:38
You look at some other scientific revolutions,
183
493000
2000
Patrzycie na kilka innych naukowych rewolucji,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
w tym przypadku mówię o systemie słonecznym, mówię o Koperniku,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
teoria ewolucji Darwina oraz płyty tektoniczne, mam na myśli Wegenera.
08:45
They all have a lot in common with brain science.
186
500000
3000
Wszyscy oni mają wiele wspólnego z nauką o mózgu.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Przede wszystkim, wszyscy mieli mnóstwo niewyjaśnionych danych. Mnóstwo.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Ale stały się one bardziej zrozumiałe, kiedy stworzyli teorię.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
Najlepsze umysły miały z tym kłopot, naprawdę, bardzo mądrzy ludzie.
08:57
We're not smarter now than they were then.
190
512000
2000
Nie jesteśmy dziś wcale mądrzejsi od nich.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Okazuje się, że jest naprawdę trudno myśleć o zjawiskach,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
ale poznając je stopniowo jesteśmy w stanie je łatwiej zrozumieć.
09:03
My daughters understood these three theories
193
518000
2000
Moje córki zrozumiały te trzy naukowe teorie,
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
w ramach ogólnych, będąc jeszcze w przedszkolu.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Teraz nie jest tak trudno, sami wiecie, tutaj jest jabłko, tutaj jest pomarańcza,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
Ziemia krąży wokół Słońca, tego typu rzeczy.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Wreszcie, prawdą jest to, że odpowiedzi na te pytania zawsze tam były,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
ale ignorowaliśmy je, ponieważ były zbyt oczywiste, i w tym właśnie był problem.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
To te intuicyjne, głęboko zakorzenione przekonanie było złe.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
W przypadku systemu słonecznego,to pomysł, że Ziemia wiruje
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
a powierzchnia planety pędzi z prędkością tysiąca mil na godzinę,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
i że Ziemia pędzi z prędkością miliona mil na godzinę przez system słoneczny.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
To obłęd. Wszycy wiemy, że Ziemia się nie rusza.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Czy czujesz, że Ziemia porusza się z prędkością tysiąca mil na godzinę?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Oczywiście, że nie. Widzicie, a ktoś kto stwierdził,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
że kręci się wokół własnej osi w przestrzeni i jest ogromna,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
mógł zostać zamknięty w więzieniu, tak się właśnie działo w tamtych czasach.
09:41
(Laughter)
208
556000
1000
(Śmiech)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Więc to było intuicyjne i oczywiste myślenie. A jak to było z teorią ewolucji?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
Z teorią ewolucji było podobnie. Uczyliśmy nasze dzieci, Biblia mówi,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
że Bóg stworzył wszystkie gatunki zwierząt, koty są kotami, psy psami,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
ludzie są ludźmi, rośliny roślinami, nie zmieniają się.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noe zamknął je wszystkie w arce na rozkaz Pana, bla, bla, bla. I wiecie co,
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
faktem jest, że jeśli wierzycie w ewolucje, to wszyscy mamy tego samego przodka,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
i wszyscy mamy wspólnego przodka wliczając tę roślinkę w korytarzu.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Tak mówi nam teoria ewolucji. I to jest prawda. To wydaje się nieprawdopodobne.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
To samo dotyczy teorii plyt tektonicznych, wiecie?
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Wszystkie góry i kontynenty w pewien sposób unoszą się
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
na powierzchni Ziemi, prawda? To wydaje się bezsensowne.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Więc czym jest to intuicyjne ale niepoprawne założenie,
10:20
that's kept us from understanding brains?
221
595000
2000
które powstrzymywało nas od zrozumienia mózgu?
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
Teraz zamierzam wam o tym powiedzieć, i prawdziwość okaże się oczywista,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
i o to właśnie chodzi, prawda? Później będę musiał wyjaśnić dlaczego
10:26
why you're incorrect about the other assumption.
224
601000
2000
mylicie się opierając na innym założeniu.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
Intuicyjne ale oczywiste założenie mówi, że w jakiś sposób inteligencja
10:31
is defined by behavior,
226
606000
2000
definiowana jest poprzez zachowanie,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
że jesteśmy inteligentni ponieważ robimy coś w taki a nie inny sposób,
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
czyniąc tak postępujemy inteligentnie, ale zamierzam wam powiedzieć, że to błąd.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Mamy tutaj do czynienia z inteligencją opartą na umiejętności przewidywania.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Zamierzam wam to zaprezentować z pomocą kilku slajdów,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
dać wam przykład co to oznacza. Oto system.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Inżynierowie lubią patrzeć na takie systemy. Naukowcy także je lubią.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Mówią tak, mamy coś w pudełku, które posiada wejścia i wyjścia.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Badacze sztucznej inteligencji uznają, że tym czymś w środku pudełka jest komputer, który można programować
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
ponieważ jest odpowiednikiem mózgu człowieka, więc wprowadzimy kilka danych
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
i sprawimy, że zacznie coś robić, zacznie funkcjonować.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Alan Turing jest twórcą testu Turinga, który wyjaśnia nam, że
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
możemy uznać maszynę za inteligentną tylko wtedy, gdy zachowuje się tak samo jak człowiek.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
To miara behawioralna tego czym jest inteligencja,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
i przez wieki zakorzeniła się ona w naszych umysłach.
11:12
Reality though, I call it real intelligence.
241
647000
2000
W rzeczywistości jednak, nazywam to rzeczywistą inteligencją.
11:14
Real intelligence is built on something else.
242
649000
2000
Rzeczywista inteligencja zbudowana jest na czymś innym.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Doświadczamy nasz świat poprzez sekwencję zdarzeń, gromadzimy je,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
by później je przywołać. I kiedy je przywołujemy, dopasowujemy je
11:23
against reality, and we're making predictions all the time.
245
658000
4000
do rzeczywistości, dokonując przy tym ciągłego przewidywania zdarzeń.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
To jest taka wieczna miara. Istnieje w nas nieustannie pytająca wieczna miara,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
czy rozumiemy świat? Czy przewiduję co nastąpi? I tak dalej.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Wszyscy jesteście już inteligentni, nawet nie robiąc nic w tej chwili.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Może się drapiesz, a może dłubiesz w nosie,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
nie wiem co robisz, ale nie robisz niczego w tej chwili,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
ale jesteś inteligentny, rozumiesz co do ciebie mówię.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Ponieważ jesteś inteligentny i mówisz po angielsku,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
wiesz jakie słowo jest na końcu tego -- (cisza)
11:45
sentence.
254
680000
2000
zdania.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Słowo dotarło do ciebie, a ty ciągle przewidujesz co nastąpi.
11:50
And then, what I'm saying is,
256
685000
2000
Mam na myśli to, że
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
wieczne przewidywanie to wyjście kory nowej.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
I, że w pewien sposób, przewidywanie prowadzi do inteligentnego zachowania.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
A oto jak to się dzieje. Zacznijmy od nie-inteligentnego mózgu.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Zajmiemy się nie-inteligentym mózgiem, pozostawimy pień mózgu,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
i można powiedzieć, że nie będzie to mózg ssaka, bardziej gada,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
więc powiedzmy, że to będzie aligator.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Aligator posiada pewne bardzo wyrafinowane zmysły.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Posiada dobry wzrok i słuch oraz zmysł dotyku i dalej
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
pysk i nos. Charakteryzuje się bardzo złożonym zachowaniem.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Potrafi biegać i chować się. Okazuje strach i emocje. Może cię zjeść.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Potrafi atakować. Potrafi wiele innych rzeczy.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Ale z ludzkiego punktu widzenia nie uważamy aligatora za bardzo inteligentnego.
12:32
But it has all this complex behavior already.
269
727000
2000
Ale posiada on przecież złożony system zachowania.
12:34
Now, in evolution, what happened?
270
729000
2000
Więc co się stało w trakcie ewolucji?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Ważną zmianą w procesie ewolucji ssaków
12:39
we started to develop a thing called the neocortex.
272
734000
2000
było wykształcenie się części nazywanej korą nową.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
I zamierzam wam zaprezentować jak wygląda kora nowa.
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
to ten kwadrat na rysuku umieszczony nad pniem mózgu.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Kora nowa oznacza nową warstwę. Nową warstwę okalającą twój mózg.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Jeśli nie wiesz jak wygląda, to jest to pomarszczona masa w górnej części głowy,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
jest pomarszczona ponieważ została tam wetknięta i nie pasuje.
12:54
(Laughter)
278
749000
1000
(Śmiech)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Naprawdę, tak właśnie wygląda. Ma wielkość stołowej serwety.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
I nie mieści się w głowie, więc stąd ta pomarszczona struktura. Spójrzcie jak to narysowałem.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Pień mózgu ciągle tam jest. Wciąż macie mózg aligatora.
13:04
You do. It's your emotional brain.
282
759000
2000
Naprawdę. To twoja część mózgu odpowiedzialna za emocje.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Wywodzą się z niego wszystkie wasze emocje i instynkt.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
A na jego zewnętrznej stronie znajduje się system pamięci zwany korą nową.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
System pamięci mieści się nad częścią mózgu odpowiedzialną za zmysły.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Tak więc, kiedy impuls dociera do pnia mózgu,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
dostaje się dalej do kory nowej. A kora nowa zapamiętuje informacje.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Czeka tam sobie i mówi, ach, zamierzam zapamiętać wszystkie te informacje,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
miejsca, w których byłem, ludzi, których widziałem,rzeczy, które słyszałem itd.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
A w przyszłości, kiedy zobaczy coś podobnego,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
w podobnym lub w identycznym otoczeniu,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
odtworzy te wspomnienia. Zacznie je odtwarzać.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Och, byłem już tu kiedyś. Znam tą sytuację z doświadczenia
13:40
this happened next. It allows you to predict the future.
294
795000
3000
wiem co wydarzy się dalej. To pozwala ci przewidywać następstwa.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
To pozwala ci, dosłownie następuje sprzężenie zwrotne w twoim mózgu,
13:47
they'll let you see what's going to happen next,
296
802000
2000
wspomnienia pozwolą ci przewidzieć co stanie się dalej,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
pozwolą ci usłyszeć słowo, zanim je wypowiem.
13:52
And it's this feeding back into the old brain
298
807000
3000
I to sprzężenie zwrotne w twoim mózgu,
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
pozwoli ci podjąć bardziej inteligentne decyzje
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
To najważniejszy slajd mojego wykładu, więc zamierzam się na niim skupić.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
A więc, cały czas mówisz, och, potrafię przewidzieć co nastąpi.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Jeśli byłbyś szczurem, który biegnie przez labirynt odkrywając właściwą drogę,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
będąc w tym labiryncie ponownie, twoje postępowanie byłoby takie same,
14:10
but all of a sudden, you're smarter
304
825000
2000
ale nagle, stałbyś się mądrzejszy
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
ponieważ pomyślałbyś, och, rozpoznaję ten labirynt, wiem którędy pójść,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
znam to miejsce, potrafię przewidywać. I to właśnie czynisz.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
U ludzi, przy okazji, potrafią to wszystkie ssaki,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
inne ssaki także to robią, a u ludzi jest to jeszcze bardziej rozwinięte.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
U ludzi wykształciła się przednia część kory nowej
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
nazywana przednią częścią kory nowej (anterior neocortex). Natura dokonała małej sztuczki
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Mianowicie skopiowała tylną część mózgu, kontrolującą zmysły
14:32
and put it in the front part.
312
847000
2000
i umieściła ją w przedniej jego części.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Ludzie jako jedyni posiadają ten sam mechanizm w przedniej części mózgu,
14:36
but we use it for motor control.
314
851000
2000
ale używamy go do kontroli ośrodka ruchu.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Więc dzięki temu możemy wykonywać bardzo skomplikowane ruchy.
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
Nie mam czasu, aby to wytłumaczyć, ale jeśli chcecie zrozumieć, jak działa mózg,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
to musicie zrozumieć, jak działa pierwsza część kory nowej u ssaków,
14:47
how it is we store patterns and make predictions.
318
862000
2000
w jaki sposób zapamiętujemy sekwencje i potrafimy przewidywać.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Więc pozwólcie mi przedstawić kilka przykładów umiejętności przewidywania.
14:52
I already said the word "sentence." In music,
320
867000
2000
Wspomniałem już o zgadywaniu wyrazu w zdaniu. W muzyce,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
jeśli słyszałeś piosenkę wcześniej, jeśli słuchałeś Jill śpiewającą wcześniej te piosenki,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
to kiedy śpiewa je, następna nuta sama pojawia się w twojej głowie --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
spodziewasz się, że się pojawią. Jeśli słuchasz całego albumu,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
po każdej piosence spodziewasz się następnej piosenki w kolejności.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
To dzieje się cały czas. Cały czas przewidujesz co nastąpi.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Czasem przeprowadzam eksperyment zwany zamianą drzwi.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
Ten eksperyment myślowy wygląda tak: przypuśćmy, że masz drzwi w domu
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
i kiedy ty przebywasz tutaj, ja zmieniam ustawienie drzwi, mój pomocnik
15:16
back at your house right now, moving the door around,
329
891000
2000
który jest w twoim domu, przesuwa drzwi,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
zmienia położenie klamki przesuwając ją o dwa cale.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Kiedy wrócisz wieczorem do domu, odruchowo wyciągniesz rękę
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
starając się chwycić klamkę i zauważysz, że
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
jest w niewłaściwym miejscu, wtedy zdasz sobie sprawę, że coś się stało.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Może to potrwać kilka sekund zanim się zorientujesz, ale wiesz, że coś jest nie tak.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Mogę zmienić położenie klamki w jeszcze inny sposób.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Mogę ją powiększyć albo zmniejszyć, mosiądz zamienić na srebro,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
mogę ją wymienić na dźwignię. Mogę zmienić twoje drzwi, zmienić ich kolor,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
mogę wmontować w nie małe okienka. Mogę zmienić tysiące szczegółów,
15:38
and in the two seconds you take to open your door,
339
913000
2000
ale za każdym razem kiedy będziesz je otwierał, wystarczą ci dwie sekundy,
15:40
you're going to notice that something has changed.
340
915000
3000
aby zorientować się, że coś się zmieniło.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Więc zarówno inżynierowie, jak i badacze sztucznej inteligencji byliby skłonni do
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
stworzenia bazy danych tych drzwi. Bazy zawierającej wszystkie informacje.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
I kiedy podchodziłbyś do tych drzwi, informacje te zostałyby ci przedstawione.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Drzwi, drzwi, drzwi, np. ich kolor, wiecie co mam na myśli.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Ale to nie działa w ten sposób. Twój mózg nie działa w ten sposób.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Mianowicie twój mózg przez cały czas przewiduje
15:57
about what is going to happen in your environment.
347
932000
2000
co wydarzy się w twoim najbliższym otoczeniu.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Kładąc swoją dłoń na tym stole spodziewam się, że za chwilę dotknie jego powierzchni.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Jeśli stawiając równe kroki pomylę się o mały kawałek
16:05
I'll know something has changed.
350
940000
2000
to zorientuję się, że coś się zmieniło.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Ciągle przewidujesz, co wydarzy się w twoim najbliższym otoczeniu.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Opowiem o tym krótko. Oto obraz przedstwiający kobietę.
16:12
And when you look at people, your eyes are caught
353
947000
2000
Kiedy przyglądacie się drugiej osobie, wasze oczy zatrzymuja się
16:14
over at two to three times a second.
354
949000
1000
od dwóch do trzech razy w ciągu sekundy na danym punkcie.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Nie zdajecie sobie z tego sprawy, ale wasze oczy ciągle się poruszają.
16:17
And so when you look at someone's face,
356
952000
2000
I kiedy patrzysz na czyjąś twarz,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
to zwykle przesuwasz wzrok z jednego oka na drugie, dalej na nos i usta.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Kiedy przesuwasz wzrok z jednego oka na drugie
16:23
if there was something else there like, a nose,
359
958000
2000
i zamiast oka napotkasz tam nos,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
to okaże się, że tam gdzie powinno być oko zobaczysz nos,
16:27
and you'd go, oh shit, you know --
361
962000
3000
i pomyślisz, co jest grane --
16:30
(Laughter)
362
965000
1000
(Śmiech)
16:31
There's something wrong about this person.
363
966000
2000
Coś jest nie tak z tym człowiekiem.
16:33
And that's because you're making a prediction.
364
968000
2000
Dzieje się tak dlatego, że przewidujesz.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Nie dzieje się tak, że patrząc tam zadajesz sobie pytanie co widzisz?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Widzę nos, w porządku. Nie, ty zwyczajnie masz oczekiwanie w stosunku do tego co tam zobaczysz.
16:40
(Laughter)
367
975000
1000
(Śmiech)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
Ciągle przewidujemy. I na koniec, pomyślmy o tym, jak badamy inteligencję.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Badamy ją poprzez przewidywanie rozwiązań. Jakie jest następne słowo?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
To pasuje do tego, jako to do tego. Jaki jest kolejny numer w tym zdaniu?
16:51
Here's three visions of an object.
371
986000
2000
Spójrz na trzy kształty brył.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Która bryła będzie czwarta? Tak badamy inteligencję. Przewidujemy rozwiązania.
16:57
So what is the recipe for brain theory?
373
992000
3000
Więc jaki jest przepis na teorię mózgu?
17:00
First of all, we have to have the right framework.
374
995000
3000
Po pierwsze, musimy dysponować odpowiednią strukturą.
17:03
And the framework is a memory framework,
375
998000
2000
Tą strukturą jest struktura pamięci,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
nie struktura obliczeniowa czy struktura zachowania. To struktura pamięci.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
W jaki sposób zapamiętujesz i przypominasz sobie sekwencje i wzory? To wzorce czasowo-przestrzenne
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Dysponując taką strukturą angażujesz do pomocy kilku teoretyków.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Biolodzy z reguły nie są dobrymi teoretykami.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Nie zawsze jest to prawdą, ale z reguły w biologii liczy się praktyka.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Więc doszedłem do wniosku, że najlepiej współpracować z fizykami,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
inżynierami i matematykami, którzy skłonni są myśleć algorytmicznie.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Muszą się jednak oni najpierw nauczyć anatomii oraz fizjologii.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Stworzenie teorii mózgu wymaga użycia odpowiednich terminów anatomicznych.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Każdy kto przedstawi swoją teorię funkcjonowania mózgu
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
i nie będzie w stanie w sposób precyzyjny wytłumaczyć jak mózg pracuje
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
i jak działa w nim cała struktura, poniesie klęskę.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Właśnie tworzeniem takiej precyzyjnej teorii zajmujemy się w Instytucie Neuronauki w Redwood.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Chciałbym mieć więcej czasu i opowiedzieć wam o postępach w tej dziedzinie,
17:48
and I expect to be back up on this stage,
390
1043000
2000
i spodziewam się kiedyś wrócić na tę scenę,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
być może uda nam się spotkać jeszcze raz w najbliższym czasie i opowiedzieć o tym.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
To takie ekscytujące. Stworzenie teorii mózgu nie zajmie nam wcale 50 lat.
17:55
So what will brain theory look like?
393
1050000
2000
Więc jak będzie wyglądać teoria mózgu?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Przede wszystkim, będzie to teoria dotycząca pamięci.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Nie takiej jak pamięć komputera. To zupełnie inny rodzaj pamięci.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Bardzo się od niej różni. Zawiera ona te wszystkie
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
zaawansowane informacje, takie jak te, które pochodzą z oka.
18:07
It's also memory of sequences.
398
1062000
2000
To także pamięć sekwencyjna.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Nie możesz uczyć się, czy przypominać coś bez sekwencyjności zapamiętywania.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Piosenka musi być zapamiętana sekwencyjnie w określonym czasie,
18:14
and you must play it back in sequence over time.
401
1069000
3000
i przywołujesz ją także w sposób sekwencyjny.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
Sekwencyjnośc zapamiętywania jest automatycznie odtwarzana, jeśli widzę coś
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
lub słyszę, następuje automatyczny proces przypominania zdarzenia.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
To automatyczne odtwarzanie. Przewidywanie zdarzeń staje się możliwe.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Wspomniałem, że teoria musi być biologicznie poprawna,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
musi być sprawdzalna oraz możliwa do stworzenia.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Jeśli jej nie zbudujesz to zwyczajnie jej nie zrozumiesz. Jeszcze jeden slajd.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Jakie będą tego konsekwencje? Czy naprawdę zbudujemy inteligentne maszyny?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Oczywiście, że tak. I będzie to wyglądało inaczej, niż myślą o tym ludzie.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Nie mam wątpliwości, że to się stanie.
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
Przede wszystkim zaczniemy budowę sztucznego umysłu wykorzystując silikon.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Taką samą technikę wykorzystujemy do budowy pamięci komputerów,
18:54
we can use for here.
413
1109000
1000
możemy to także wykorzystać tutaj.
18:55
But they're very different types of memories.
414
1110000
2000
Ale to bardzo odmienne rodzaje pamięci.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
Zamierzamy połączyć tę pamięć z sensorami,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
które zaczną egzystować w świecie realnym dostarczając rzeczywistych danych
19:02
and these things are going to learn about their environment.
417
1117000
2000
i będą się uczyć o swoim środowisku.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Myśle, że to mało prawdopodobne, że ujrzycie najpierw roboty.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Nie znaczy to, że roboty nie są przydatne lub, że nie potrafimy ich konstruować.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Ale stworzenie pewnej części robota jest najtrudniejsze. To tzw. stary mózg. To naprawdę trudne.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Nowy mózg można skonstruować łatwiej niż stary mózg.
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
Przede wszystkim zamierzamy się zająć tym co nie wymaga dużo robotyki.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Więc nie zobaczycie od razu robota C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Prędzej doczekacie się takich udogodnień jak inteligentne samochody,
19:23
that really understand what traffic is and what driving is
425
1138000
3000
które rozumieją, czym jest korek i czym jest jazda
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
i które rozpoznają samochody z włączonym przez pół minuty kierunkowskazem
19:29
probably aren't going to turn, things like that.
427
1144000
2000
lecz niekoniecznie wykonujących manewr skręcania.
19:31
(Laughter)
428
1146000
1000
(Śmiech)
19:32
We can also do intelligent security systems.
429
1147000
2000
Potrafimy także stworzyć inteligentne systemy zabezpieczające.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Wszędzie tam, gdzie używamy swojego umysłu, jednocześnie nie stosując zaawansowanej mechaniki.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Właśnie takich rzeczy możemy spodziewać się najpierw.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Ale ostatecznie, to czas pokaże co się stanie.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Nie wiem co przyniosą te zmiany.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Znam wielu ludzi, którzy byli współtwórcami mikroprocesora
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
i rozmawiając z nimi dowiesz się, że mieli świadomość, że tworzą coś znaczącego,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
ale nie wiedzieli jakie będą tego konsekwencje.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Nie potrafili sobie wyobrazić rozwoju telefonii komórkowej i Internetu, i tego typu rzeczy.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Wiedzieli na przykład, jak zbudować kalkulatory
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
albo system sygnalizacji świetlnej. Ale to będzie coś wielkiego.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
W ten sam sposób, nauka o mózgu i tych wspomnieniach
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
stanie się podstawową technologią, która doprowadzi
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
do niesamowitych zmian w następnym stuleciu.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Najberdziej mnie interesuje jak zostaną te zmiany wykorzystane w nauce.
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
Myślę, że to cały mój czas, skończyłem, to koniec mojego wykładu
20:19
right there.
445
1194000
1000
właśnie teraz.
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