TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen o komputerze działającym jak mózg
Filmed:
Readability: 4.2
718,375 views
Kwabena Boahen szuka sposobów odwzorowania superkomputerowej mocy obliczeniowej mózgu przy użyciu krzemu -- ponieważ chaotyczne i nieoptymalne procesy przebiegające w naszych głowach to w rzeczywistości mały, lekki i niesłychanie szybki komputer.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze
00:23
and it was a really cool device.
1
5000
3000
i było to naprawdę fajne urządzenie.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Można było na nim grać w gry, można było programować w BASIC-u.
00:31
And I was fascinated.
3
13000
2000
Byłem zafascynowany.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Poszedłem więc do biblioteki, żeby dowiedzieć się jak to działa.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Czytałem o tym, jak procesor nieustannie przerzuca dane w tę i z powrotem
00:44
between the memory, the RAM and the ALU,
6
26000
4000
między pamięcią -- RAM-em a ALU,
00:48
the arithmetic and logic unit.
7
30000
2000
jednostką arytmetyczno-logiczną.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
I pomyślałem sobie -- ten procesor musi naprawdę pracować jak szalony
00:54
just to keep all this data moving through the system.
9
36000
4000
tylko po to, żeby te wszystkie dane przemieszczać w komputerze.
00:58
But nobody was really worried about this.
10
40000
3000
Ale nikt się tym faktycznie nie przejmował.
01:01
When computers were first introduced,
11
43000
2000
Gdy pojawiły się pierwsze komputery
01:03
they were said to be a million times faster than neurons.
12
45000
3000
mówiono, że są milion razy szybsze niż neurony.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
Ludzie byli naprawdę zachwyceni, sądzili że wkrótce prześcigną
01:11
the capacity of the brain.
14
53000
3000
możliwości mózgu.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
To cytat z wypowiedzi Alana Turinga:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
„Za 30 lat będzie tak samo łatwo zadać pytanie komputerowi,
01:21
as to ask a person."
17
63000
2000
jak zapytać o coś człowieka.”
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Powiedział to w 1946 r. Teraz mamy rok 2007 i wciąż tak nie jest.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Pytanie brzmi: dlaczego naprawdę nie pojawiła się
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
w komputerach taka moc, jaka istnieje w mózgu?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Ludzie nie zdawali sobie sprawy, a ja dopiero teraz zaczynam to dostrzegać,
01:42
is that we pay a huge price for the speed
22
84000
2000
że płacimy ogromną cenę za szybkość,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
która ma być wielką zaletą tych komputerów.
01:48
Let's take a look at some numbers.
24
90000
2000
Przyjrzyjmy się pewnym liczbom.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
To jest Blue Gene – najszybszy komputer na świecie.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Ma 120 000 procesorów -- mogą one przetwarzać
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 biliardów bitów informacji na sekundę.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
To jest 10 do potęgi 16. I zużywają półtora megawata energii.
02:09
So that would be really great, if you could add that
29
111000
3000
Byłoby wspaniale, gdyby można o tyle zwiększyć
02:12
to the production capacity in Tanzania.
30
114000
2000
moce produkcyjne w Tanzanii.
02:14
It would really boost the economy.
31
116000
2000
To by naprawdę rozpędziło gospodarkę.
02:16
Just to go back to the States,
32
118000
4000
Ale wróćmy do Stanów Zjednoczonych.
02:20
if you translate the amount of power or electricity
33
122000
2000
Jeśli przełożyć ilość prądu,
02:22
this computer uses to the amount of households in the States,
34
124000
3000
jaką zużywa ten komputer, na liczbę gospodarstw domowych w USA,
02:25
you get 1,200 households in the U.S.
35
127000
4000
otrzymamy 1 200 takich gospodarstw.
02:29
That's how much power this computer uses.
36
131000
2000
Tyle energii zużywa ten komputer.
02:31
Now, let's compare this with the brain.
37
133000
3000
Teraz porównajmy to z mózgiem.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
To jest obraz mózgu -- tak dokładnie to należącego do dziewczyny Rory'ego Sayresa.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory jest doktorantem w Stanford.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Bada mózg przy użyciu MRI i twierdzi, że
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
to najpiękniejszy mózg, jaki kiedykolwiek skanował.
02:48
(Laughter)
42
150000
2000
(Śmiech)
02:50
So that's true love, right there.
43
152000
3000
I to właśnie jest prawdziwa miłość.
02:53
Now, how much computation does the brain do?
44
155000
3000
A więc -- ile obliczeń wykonuje mózg?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Oszacowałem, że jakieś 10 do potęgi 16 na sekundę,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
czyli dość podobną liczbę do Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
Pojawia się więc pytanie. Oto pytanie, ile --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
a wykonują podobną ilość obliczeń, przetwarzają podobną ilość danych --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
pytanie brzmi: ile energii czy prądu zużywa mózg?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Zużywa jej w rzeczywistości tyle, ile laptop:
03:15
it's just 10 watts.
51
177000
2000
tylko 10 watów.
03:17
So what we are doing right now with computers
52
179000
3000
Tak więc to, co robimy obecnie na komputerach,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
wykorzystując energię w ilości zużywanej przez 1 200 domów,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
mózg wykonuje, wykorzystując ilość energii używaną przez laptopa.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Tak więc mamy pytanie -- jak mózg osiąga taką wydajność?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Krótkie podsumowanie. Najważniejsza informacja:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
mózg przetwarza informacje zużywając 100 tysięcy razy mniej energii
03:37
than we do right now with this computer technology that we have.
58
199000
4000
niż komputery, jakie obecnie mamy.
03:41
How is the brain able to do this?
59
203000
2000
Jak mózg jest w stanie tego dokonać?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Przyjrzyjmy się temu, jak działa mózg,
03:46
and then I'll compare that with how computers work.
61
208000
4000
a następnie porównam to ze sposobem działania komputerów.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
To jest fragment z serialu telewizji PBS „Sekretne życie mózgu”.
03:54
It shows you these cells that process information.
63
216000
3000
Widać tu komórki przetwarzające informacje.
03:57
They are called neurons.
64
219000
1000
To neurony.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Przesyłają przez swoje wypustki małe impulsy elektryczne do siebie nawzajem,
04:04
and where they contact each other, those little pulses
66
226000
2000
a gdy się ze sobą kontaktują, te małe impulsy
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
elektryczne przeskakują z jednego neuronu do drugiego.
04:08
That process is called a synapse.
68
230000
3000
Ta wypustka to synapsa.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Mamy wielką sieć komórek kontaktujących się ze sobą.
04:13
about 100 million of them,
70
235000
2000
Jest ich około 100 milionów.
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
Wysyłają około 10 biliardów takich impulsów w każdej sekundzie.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
I właśnie teraz, gdy mnie oglądacie, to dzieje się w waszych mózgach.
04:25
How does that compare with the way computers work?
73
247000
2000
Jak to się ma do sposobu działania komputerów?
04:27
In the computer, you have all the data
74
249000
2000
W komputerze wszystkie dane
04:29
going through the central processing unit,
75
251000
2000
przechodzą przez procesor
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
i każda informacja musi przejść przez to wąskie gardło.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Podczas gdy w mózgu mamy neurony,
04:38
and the data just really flows through a network of connections
78
260000
4000
a dane po prostu płyną przez sieć połączeń
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
między neuronami -- nie ma tu żadnego wąskiego gardła.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
To naprawdę sieć w dosłownym znaczeniu.
04:48
The net is doing the work in the brain.
81
270000
4000
W mózgu sieć wykonuje pracę.
04:52
If you just look at these two pictures,
82
274000
2000
Jeśli tylko spojrzycie na te dwa obrazki,
04:54
these kind of words pop into your mind.
83
276000
2000
pomyślicie sobie:
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
To jest szeregowe i nieelastyczne: jak samochody na autostradzie --
05:00
everything has to happen in lockstep --
85
282000
3000
wszystko musi przebiegać krok po kroku.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Natomiast to jest równoległe i płynne.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Przetwarzanie informacji jest bardzo dynamiczne i zdolne do adaptacji.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Nie ja pierwszy to zauważyłem. Zacytuję Briana Eno:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
„Problem z komputerami polega na tym, że za mało w nich Afryki.”
05:16
(Laughter)
90
298000
6000
(Śmiech)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian naprawdę powiedział to w 1995 r.
05:25
And nobody was listening then,
92
307000
3000
I nikt tego wtedy nie słuchał,
05:28
but now people are beginning to listen
93
310000
2000
ale teraz ludzie zaczęli słuchać,
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
ponieważ mamy palący problem techniczny.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Przedstawię to wam krótko na kilku następnych slajdach.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
To jest -- naprawdę istnieje znacząca zbieżność pomiędzy
05:44
between the devices that we use to compute in computers,
97
326000
5000
urządzeniami wykonującymi obliczenia w komputerach
05:49
and the devices that our brains use to compute.
98
331000
4000
i urządzeniami wykonującymi obliczenia w naszych mózgach.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Urządzenia wykorzystywane w komputerach to tranzystory.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Ta elektroda -- nazywana bramką -- steruje przepływem prądu
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
ze źródła do drenu -- to te dwie elektrody.
06:04
And that current, electrical current,
102
346000
2000
A ten prąd, prąd elektryczny,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
jest przenoszony przez elektrony, tak jak [w instalacjach] w waszych domach, itp.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
I działa to tak: gdy włączymy bramkę,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
prąd wzrasta i mamy stały jego przepływ.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
A gdy wyłączymy bramkę, przez urządzenie nie płynie prąd.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Komputery używają obecności prądu jako reprezentacji jedynki
06:30
and the absence of current to represent a zero.
108
372000
4000
a braku prądu jako reprezentacji zera.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Teraz, gdy tranzystory stają się coraz mniejsze i mniejsze,
06:40
they no longer behave like this.
110
382000
2000
przestają się tak zachowywać.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Zaczynają zachowywać się jak mechanizm wykorzystywany do obliczeń w neuronach,
06:47
which is called an ion channel.
112
389000
2000
nazywany kanałem jonowym.
06:49
And this is a little protein molecule.
113
391000
2000
Jest to mała cząsteczka białka.
06:51
I mean, neurons have thousands of these.
114
393000
4000
To znaczy -- neurony zawierają ich tysiące.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Znajduje się on w błonie komórkowej i ma w sobie otwór.
06:59
And these are individual potassium ions
116
401000
3000
A to są pojedyncze jony potasowe
07:02
that are flowing through that pore.
117
404000
2000
przepływające przez ten otwór.
07:04
Now, this pore can open and close.
118
406000
2000
Ten otwór może zamykać się i otwierać.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Ale gdy jest otwarty -- dlatego że te jony muszą być ustawione w szeregu
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
i przepływać pojedynczo -- mamy przerywany, a nie stały --
07:16
it's a sporadic flow of current.
121
418000
3000
nieregularny przepływ prądu.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
A gdy otwór zostanie zamknięty -- co neurony mogą robić,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
mogą otwierać i zamykać te otwory, by powodować aktywność elektryczną –
07:27
even when it's closed, because these ions are so small,
124
429000
3000
nawet gdy jest zamknięty, ponieważ te jony są tak małe,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
mogą się przecisnąć; kilka może się przedostać co jakiś czas.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Tak więc gdy otwór jest otwarty,
07:36
you get some current sometimes.
127
438000
2000
czasem płynie jakiś prąd.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
To są nasze jedynki, ale pojawia się tam też trochę zer.
07:41
And when it's closed, you have a zero,
129
443000
4000
A gdy jest zamknięty, mamy zero,
07:45
but you have a few ones thrown in.
130
447000
3000
ale pojawia się też trochę jedynek.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Tak zaczyna się dziać również w przypadku tranzystorów.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
A powodem tego jest to, że teraz, w roku 2007
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
używana przez nas technologia czyni tranzystor dostatecznie dużym,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
żeby kilka elektronów mogło płynąć przez kanał jednocześnie, obok siebie.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
W rzeczywistości około 12 elektronów może płynąć w taki sposób.
08:09
And that means that a transistor corresponds
136
471000
2000
Znaczy to, że tranzystor jest odpowiednikiem
08:11
to about 12 ion channels in parallel.
137
473000
3000
około 12 równoległych kanałów jonowych.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Za kilka lat, do roku 2015 tranzystory będą znacznie mniejsze.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Nad tym pracuje Intel, żeby móc dodawać coraz więcej rdzeni do procesorów;
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
również popularne pendrive'y mieszczą dziś jeden gigabajt
08:27
of stuff on them -- before, it was 256.
141
489000
2000
zawartości -- wcześniej było to 256 MB.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Aby to umożliwić tranzystory stają się coraz mniejsze,
08:32
and technology has really benefitted from that.
143
494000
3000
a technika na tym naprawdę korzysta.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Ale doprowadzi to do tego, że w 2015. tranzystory będą tak małe,
08:40
that it corresponds to only one electron at a time
145
502000
3000
że tylko jeden elektron na raz
08:43
can flow through that channel,
146
505000
2000
będzie mógł przepłynąć przez kanał,
08:45
and that corresponds to a single ion channel.
147
507000
2000
a to odpowiada pojedynczemu kanałowi jonowemu.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
I będziemy mieli takie same zatory, jakie występują w kanale jonowym,
08:51
The current will turn on and off at random,
149
513000
3000
prąd będzie się włączać i wyłączać losowo,
08:54
even when it's supposed to be on.
150
516000
2000
nawet gdy ma być włączony.
08:56
And that means your computer is going to get
151
518000
2000
A to znaczy, że w komputerze
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
jedynki i zera będą się mieszać -- no i komputer się zawiesi.
09:02
So, we are at the stage where we
153
524000
4000
Tak więc, jesteśmy na etapie, gdy
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
naprawdę nie wiemy jak prowadzić obliczenia przy użyciu takich urządzeń.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
I jedyny dziś znany nam mechanizm,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
który potrafi prowadzić obliczenia przy użyciu takich urządzeń to mózg.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
OK. Więc komputer bierze określoną daną z pamięci,
09:19
it sends it into the processor or the ALU,
158
541000
3000
wysyła ją do procesora, czyli jednostki arytmetyczno-logicznej,
09:22
and then it puts the result back into memory.
159
544000
2000
a potem wstawia ją z powrotem do pamięci.
09:24
That's the red path that's highlighted.
160
546000
2000
To ta ścieżka wyróżniona na czerwono.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
Mózg działa w taki sposób, że mamy te wszystkie neurony,
09:30
And the way they represent information is
162
552000
2000
a one przekazują informacje przez
09:32
they break up that data into little pieces
163
554000
2000
podzielenie danych na małe kawałeczki,
09:34
that are represented by pulses and different neurons.
164
556000
3000
których reprezentacją są impulsy i różne neurony.
09:37
So you have all these pieces of data
165
559000
2000
Mamy więc te wszystkie kawałeczki danych
09:39
distributed throughout the network.
166
561000
2000
rozsyłane przez sieć.
09:41
And then the way that you process that data to get a result
167
563000
3000
A przetwarzanie tych danych w celu otrzymania wyników polega na
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
przetłumaczeniu tego wzorca aktywności na nowy wzorzec aktywności,
09:48
just by it flowing through the network.
169
570000
3000
po prostu przepuszczając dane przez sieć.
09:51
So you set up these connections
170
573000
2000
Mamy więc takie połączenia,
09:53
such that the input pattern just flows
171
575000
3000
dzięki którym wzorzec wejściowy po prostu przepływa
09:56
and generates the output pattern.
172
578000
2000
i generuje wzorzec wyjściowy.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Widzimy tu, że mamy nadmiarowe połączenia.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Więc jeśli ten lub tamten fragment danych gdzieś utknie
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
i nie dotrze do celu, te dwa fragmenty mogą aktywować brakującą część
10:11
with these redundant connections.
176
593000
2000
dzięki połączeniom nadmiarowym.
10:13
So even when you go to these crappy devices
177
595000
2000
Więc nawet gdy korzystamy z takich kiepskich urządzeń,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
w których czasem chcemy jedynkę, a dostajemy zero,
10:18
there's redundancy in the network
179
600000
2000
mamy nadmiarowość sieci,
10:20
that can actually recover the missing information.
180
602000
3000
która pozwala odzyskać brakujące informacje.
10:23
It makes the brain inherently robust.
181
605000
3000
Wbudowuje to w mózg niezawodność.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Tu mamy system, w którym dane są przechowywane lokalnie.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Jest on delikatny, ponieważ każdy z kroków musi być bezbłędny --
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
inaczej stracimy dane. Natomiast w mózgu mamy system
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
rozproszonego przechowywania danych -- i jest on niezawodny.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Chcę opowiedzieć, najprościej mówiąc, o moim marzeniu,
10:44
which is to build a computer that works like the brain.
187
626000
3000
którym jest zbudowanie komputera pracującego jak mózg.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Pracujemy nad tym od kilku lat.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Pokażę wam system, który zaprojektowaliśmy
10:54
to model the retina,
190
636000
3000
jako model siatkówki,
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
która jest częścią mózgu znajdującą się wewnątrz gałki ocznej.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Nie stworzyliśmy tego pisząc kod -- jak to się robi na komputerze.
11:08
In fact, the processing that happens
193
650000
3000
W rzeczywistości przetwarzanie, które odbywa się
11:11
in that little piece of brain is very similar
194
653000
2000
w tym małym kawałku mózgu bardzo przypomina
11:13
to the kind of processing that computers
195
655000
1000
przetwarzanie, które komputery
11:14
do when they stream video over the Internet.
196
656000
4000
wykonują na potrzeby przesyłania strumieniowego wideo przez internet.
11:18
They want to compress the information --
197
660000
1000
Muszą skompresować informacje --
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
chcą przesyłać tylko zmiany, nowe elementy obrazu i tak dalej --
11:23
and that is how your eyeball
199
665000
3000
i w taki sposób twoje oko
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
może upchnąć wszystkie te informacje do nerwu wzrokowego,
11:29
to send to the rest of the brain.
201
671000
2000
aby wysłać je dalej do mózgu.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Zamiast użyć do tego oprogramowania i stosować odpowiednie algorytmy,
11:34
we went and talked to neurobiologists
203
676000
3000
przedyskutowaliśmy to z neurobiologami,
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
którzy technicznie rozpracowali dla nas ten fragment mózgu -- siatkówki.
11:41
And they figured out all the different cells,
205
683000
2000
Rozpisali wszystkie rodzaje komórek,
11:43
and they figured out the network, and we just took that network
206
685000
3000
rozpracowali budowę sieci, a my zwyczajnie wzięliśmy tę sieć
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
i użyliśmy jej jako schematu konstrukcji układu krzemowego.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Teraz więc odpowiednikiem neuronów są małe węzły lub obwody w tym czipie,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
a połączenia między neuronami są odwzorowane przez tranzystory.
12:01
And these transistors are behaving essentially
210
703000
2000
I te tranzystory zachowują się w istocie
12:03
just like ion channels behave in the brain.
211
705000
3000
tak, jak kanały jonowe w mózgu.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Daje to taką samą niezawodną architekturę, jaką opisałem wcześniej.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Oto jak wygląda nasze sztuczne oko.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Zaprojektowany przez nas czip siatkówki znajduje się za tym obiektywem.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
I ten czip... Pokażę wam nagranie wideo
12:22
that the silicon retina put out of its output
216
724000
3000
z wyjścia wygenerowanego przez krzemową siatkówkę,
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
patrzącej na Kareema Zaghloula,
12:28
who's the student who designed this chip.
218
730000
2000
studenta, który zaprojektował ten układ.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Wyjaśnię co tu zobaczycie, OK?
12:32
because it's putting out different kinds of information,
220
734000
3000
Ponieważ generowane są tu różne rodzaje informacji,
12:35
it's not as straightforward as a camera.
221
737000
2000
nie jest to tak czytelne i oczywiste jak w przypadku kamery.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Czip siatkówki wydobywa cztery różne rodzaje informacji.
12:40
It extracts regions with dark contrast,
223
742000
3000
Wydobywa obszary ciemne,
12:43
which will show up on the video as red.
224
745000
3000
widoczne na wideo jako czerwone.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Wydobywa obszary białe lub jasne,
12:50
which will show up on the video as green.
226
752000
2000
widoczne na wideo jako zielone.
12:52
This is Kareem's dark eyes
227
754000
2000
To są ciemne oczy Kareema,
12:54
and that's the white background that you see here.
228
756000
3000
a to jest białe tło, które widać też tutaj.
12:57
And then it also extracts movement.
229
759000
2000
Ponadto wydobywa ruch.
12:59
When Kareem moves his head to the right,
230
761000
2000
Gdy Kareem przesuwa głowę w prawo,
13:01
you will see this blue activity there;
231
763000
2000
widać tam niebieską aktywność,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
reprezentuje to obszary, gdzie kontrast obrazu wzrasta,
13:06
that's where it's going from dark to light.
233
768000
3000
czyli zmieniające się z ciemnych w jasne.
13:09
And you also see this yellow activity,
234
771000
2000
Widzimy też tutaj żółtą aktywność,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
reprezentującą obszary zmniejszającego się kontrastu,
13:15
it's going from light to dark.
236
777000
2000
zmieniające się z jasnych w ciemne.
13:17
And these four types of information --
237
779000
3000
To właśnie te cztery rodzaje informacji --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
nerw wzrokowy jest złożony z około miliona włókien,
13:24
and 900,000 of those fibers
239
786000
3000
a 900 000 z tych włókien
13:27
send these four types of information.
240
789000
2000
przesyła te cztery rodzaje informacji.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Powielamy więc rodzaje sygnałów, które mamy w nerwie wzrokowym.
13:33
What you notice here is that these snapshots
242
795000
3000
Widzicie tu, że te ujęcia migawkowe
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
z wyjścia czipu siatkówki są bardzo słabo wypełnione.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Zielony nie pojawia się na całym tle,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
a jedynie na brzegach i tak dalej.
13:45
And this is the same thing you see
246
807000
1000
To samo zauważycie
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
w przypadku kompresji wideo: musi być bardzo słabo wypełnione,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
żeby plik był mniejszy. I tak działa siatkówka,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
i robi to jedynie przy użyciu obwodów i tej sieci neuronów
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
kontaktujących się ze sobą, którą odwzorowaliśmy w czipie.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Ale co chcę podkreślić... pokażę tutaj.
14:03
So this image here is going to look like these ones,
252
825000
3000
Ten obraz będzie wyglądać jak tamte,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
ale pokaże wam, że możemy zrekonstruować obraz,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
dzięki czemu można niemalże rozpoznać Kareema tam na górze.
14:13
And so, here you go.
255
835000
2000
Popatrzmy.
14:24
Yes, so that's the idea.
256
846000
3000
Taka właśnie jest ogólna idea.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Gdy nie ma ruchu, widzimy tylko jasne i ciemne obszary.
14:29
But when it's moving back and forth,
258
851000
2000
Ale gdy się coś porusza,
14:31
the retina picks up these changes.
259
853000
3000
siatkówka wyłapuje te zmiany.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
I dlatego, gdy tu siedzicie
14:35
and something happens in your background,
261
857000
2000
i coś dzieje się w tle,
14:37
you merely move your eyes to it.
262
859000
2000
jedynie zwracacie oczy w tym kierunku.
14:39
There are these cells that detect change
263
861000
2000
Mamy komórki wykrywające zmianę
14:41
and you move your attention to it.
264
863000
2000
i kierujemy na nią uwagę.
14:43
So those are very important for catching somebody
265
865000
2000
To bardzo ważne, żeby zareagować,
14:45
who's trying to sneak up on you.
266
867000
2000
gdy ktoś się do nas skrada.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Zakończę stwierdzeniem, że takie rzeczy dzieją się,
14:50
when you put Africa in a piano, OK.
268
872000
3000
gdy włożymy Afrykę do fortepianu, OK?
14:53
This is a steel drum here that has been modified,
269
875000
3000
To jest bęben stalowy, steel pan, po przeróbce.
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
Takie rzeczy się dzieją, gdy włożycie Afrykę do fortepianu.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
A ja chciałbym, abyśmy włożyli Afrykę do komputera
15:03
and come up with a new kind of computer
272
885000
2000
i stworzyli nowy rodzaj komputera,
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
który będzie generować myśli, wyobraźnię, kreatywność itp.
15:08
Thank you.
274
890000
2000
Dziękuję.
15:10
(Applause)
275
892000
2000
(Oklaski)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson: Kwabena, mam do ciebie pytanie.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Czy widzisz związki między twoją pracą,
15:18
the future of Africa, this conference --
278
900000
3000
przyszłością Afryki, tą konferencją --
15:21
what connections can we make, if any, between them?
279
903000
3000
jak, i czy, moglibyśmy to ze sobą połączyć?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen: Tak. Jak powiedziałem na początku.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
I miałem to wewnętrzne poczucie, że to nie tak trzeba robić.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
To była zdecydowanie metoda siłowa, bardzo nieelegancki sposób.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Nie sądzę, że tak bym czuł,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
gdybym dorastał czytając science fiction,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
słysząc o RD2D2, czy jak się nazywa, i po prostu -- wiecie --
15:46
buying into this hype about computers.
287
928000
1000
kupując cały ten zachwyt komputerami.
15:47
I was coming at it from a different perspective,
288
929000
2000
Patrzyłem na to z innej perspektywy,
15:49
where I was bringing that different perspective
289
931000
2000
podszedłem z tą inną perspektywą
15:51
to bear on the problem.
290
933000
2000
do rozwiązywania tego problemu.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Myślę, że dużo ludzi w Afryce ma tę inną perspektywę
15:56
and I think that's going to impact technology.
292
938000
2000
i sądzę, że to wpłynie na technikę.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
I wpłynie na drogę jej rozwoju.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
I myślę, że zobaczycie, użyjecie tego zastrzyku,
16:02
to come up with new things,
295
944000
2000
aby stworzyć nowe rzeczy,
16:04
because you're coming from a different perspective.
296
946000
3000
ponieważ przychodzicie z innej perspektywy.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Myślę, że możemy coś dodać, możemy marzyć jak wszyscy.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Dziękuję, Kwabena, to bardzo interesujące.
16:13
Thank you.
299
955000
1000
Dziękuję.
16:14
(Applause)
300
956000
2000
(Oklaski)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com