TEDGlobal 2009
Henry Markram: A brain in a supercomputer
Henry Markram buduje mózg w superkomputerze.
Filmed:
Readability: 3.8
1,469,354 views
Henry Markram przekonuje, że tajemnica umysłu może zostać rozwikłana - już niedługo. Choroby umysłowe, pamięć, postrzeganie: wszystkie wynikają z aktywności neuronów i sygnałów elektrycznych. Henry Markram zamierza znaleźć wszystko to w superkomputerze, który zamodeluje wszystkie 100.000.000.000.000 synaps mózgu.
Henry Markram - Neuroscientist
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Henry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time. Full bio
Double-click the English transcript below to play the video.
00:18
Our mission is to build
0
0
3000
Naszą misją jest stworzenie
00:21
a detailed, realistic
1
3000
2000
szczegółowego, realistycznego
00:23
computer model of the human brain.
2
5000
2000
komputerowego modelu umysłu.
00:25
And we've done, in the past four years,
3
7000
3000
Przez ostatnie cztery lata dokonaliśmy
00:28
a proof of concept
4
10000
2000
weryfikacji tej koncepcji
00:30
on a small part of the rodent brain,
5
12000
3000
na podstawie małej części mózgu gryzonia.
00:33
and with this proof of concept we are now scaling the project up
6
15000
3000
Pozwoliło to nam rozbudować projekt
00:36
to reach the human brain.
7
18000
3000
i osiągnąć mózg ludzki.
00:39
Why are we doing this?
8
21000
2000
Czemu to robimy?
00:41
There are three important reasons.
9
23000
2000
Są trzy ważne powody.
00:43
The first is, it's essential for us to understand the human brain
10
25000
4000
Po pierwsze, zrozumienie mózgu jest konieczne,
00:47
if we do want to get along in society,
11
29000
2000
jeśli mamy rozwijać się społecznie.
00:49
and I think that it is a key step in evolution.
12
31000
4000
Sądzę, że to kluczowy krok w ewolucji.
00:53
The second reason is,
13
35000
2000
Drugim powodem jest to,
00:55
we cannot keep doing animal experimentation forever,
14
37000
6000
że nie możemy wiecznie eksperymentować na zwierzętach
01:01
and we have to embody all our data and all our knowledge
15
43000
4000
i musimy wcielić wszystkie nasze dane i całą wiedzę
01:05
into a working model.
16
47000
3000
w działający model.
01:08
It's like a Noah's Ark. It's like an archive.
17
50000
4000
To jak Arka Noego. To jak archiwum.
01:12
And the third reason is that there are two billion people on the planet
18
54000
3000
Trzecim powodem jest to, że dwa miliardy ludzi na tym świecie
01:15
that are affected by mental disorder,
19
57000
4000
są dotknięte zaburzeniami psychicznymi,
01:19
and the drugs that are used today
20
61000
2000
a obecnie stosowane leki
01:21
are largely empirical.
21
63000
2000
są w dużej mierze empiryczne.
01:23
I think that we can come up with very concrete solutions on
22
65000
3000
Sądzę, że dzięki naszej pracy mogą powstać
01:26
how to treat disorders.
23
68000
3000
nowe sposoby leczenia takich chorób.
01:29
Now, even at this stage,
24
71000
3000
Nawet na tym etapie
01:32
we can use the brain model
25
74000
2000
możemy użyć modelu mózgu
01:34
to explore some fundamental questions
26
76000
3000
by zbadać pewne fundamentalne zagadnienia
01:37
about how the brain works.
27
79000
2000
dotyczące jego funkcjonowania.
01:39
And here, at TED, for the first time,
28
81000
2000
I tu, w TED, po raz pierwszy
01:41
I'd like to share with you how we're addressing
29
83000
2000
chciałbym opowiedzieć,
01:43
one theory -- there are many theories --
30
85000
3000
jak podchodzimy do jednej z wielu teorii
01:46
one theory of how the brain works.
31
88000
4000
funkcjonowania mózgu ludzkiego.
01:50
So, this theory is that the brain
32
92000
4000
Tak więc, teoria ta mówi, że mózg
01:54
creates, builds, a version of the universe,
33
96000
6000
tworzy pewną wersję wszechświata.
02:00
and projects this version of the universe,
34
102000
3000
I przedstawia projekcję tej wersji wszechświata,
02:03
like a bubble, all around us.
35
105000
4000
wokół nas, jak bańkę.
02:07
Now, this is of course a topic of philosophical debate for centuries.
36
109000
4000
To oczywiście odwieczny temat debat filozoficznych.
02:11
But, for the first time, we can actually address this,
37
113000
3000
Ale teraz po raz pierwszy, możemy rozpatrzyć ten problem,
02:14
with brain simulation,
38
116000
2000
za pomocą symulacji mózgu
02:16
and ask very systematic and rigorous questions,
39
118000
4000
i zadać bardzo systematyczne i rygorystyczne pytania,
02:20
whether this theory could possibly be true.
40
122000
4000
o prawdziwość tej teorii.
02:24
The reason why the moon is huge on the horizon
41
126000
3000
Ten księżyc na horyzoncie jest ogromy
02:27
is simply because our perceptual bubble
42
129000
3000
dlatego, że nasza percepcyjna bańka
02:30
does not stretch out 380,000 kilometers.
43
132000
4000
nie rozciąga się na 380.000 kilometrów.
02:34
It runs out of space.
44
136000
2000
Brakuje jej miejsca.
02:36
And so what we do is we compare the buildings
45
138000
4000
Dlatego my porównujemy budynki
02:40
within our perceptual bubble,
46
142000
2000
w naszej percepcyjnej bańce
02:42
and we make a decision.
47
144000
2000
i podejmujemy decyzję.
02:44
We make a decision it's that big,
48
146000
2000
Stwierdzamy, że jest ogromny,
02:46
even though it's not that big.
49
148000
2000
nawet jeśli nie jest taki duży.
02:48
And what that illustrates
50
150000
2000
Ten mechanizm pokazuje,
02:50
is that decisions are the key things
51
152000
2000
że nasza percepcyjna bańka
02:52
that support our perceptual bubble. It keeps it alive.
52
154000
5000
opiera się właśnie na decyzjach. To one utrzymują ją przy życiu.
02:57
Without decisions you cannot see, you cannot think,
53
159000
2000
Bez decydowania nie można widzieć, myśleć, ani czuć.
02:59
you cannot feel.
54
161000
2000
Bez decydowania nie można widzieć, myśleć, ani czuć.
03:01
And you may think that anesthetics work
55
163000
2000
Sądzicie może, że w trakcie narkozy
03:03
by sending you into some deep sleep,
56
165000
3000
pacjent pogrążony jest w głębokim śnie,
03:06
or by blocking your receptors so that you don't feel pain,
57
168000
3000
albo że ból znika dzięki blokowaniu receptorów,
03:09
but in fact most anesthetics don't work that way.
58
171000
3000
ale w rzeczywistości znieczulenie działa zwykle inaczej.
03:12
What they do is they introduce a noise
59
174000
3000
Znieczulenie wprowadza w mózg zakłócenia,
03:15
into the brain so that the neurons cannot understand each other.
60
177000
3000
dzięki którym neurony nie rozumieją się nawzajem.
03:18
They are confused,
61
180000
2000
Są zdezorientowane, dlatego nie możecie podjąć decyzji.
03:20
and you cannot make a decision.
62
182000
3000
Są zdezorientowane, dlatego nie możecie podjąć decyzji.
03:23
So, while you're trying to make up your mind
63
185000
3000
Tak więc, gdy próbujecie osądzić,
03:26
what the doctor, the surgeon, is doing
64
188000
2000
co robi z wami chirurg,
03:28
while he's hacking away at your body, he's long gone.
65
190000
2000
jego już dawno nie ma.
03:30
He's at home having tea.
66
192000
2000
Jest w domu i pije herbatę.
03:32
(Laughter)
67
194000
2000
(Śmiech)
03:34
So, when you walk up to a door and you open it,
68
196000
3000
Kiedy otwieramy drzwi,
03:37
what you compulsively have to do to perceive
69
199000
3000
aby umożliwić percepcję, musimy podjąć tysiące decyzji.
03:40
is to make decisions,
70
202000
2000
aby umożliwić percepcję, musimy podjąć tysiące decyzji.
03:42
thousands of decisions about the size of the room,
71
204000
3000
Decyzje o wielkości pomieszczenia,
03:45
the walls, the height, the objects in this room.
72
207000
3000
wysokości ścian, przedmiotów w pokoju.
03:48
99 percent of what you see
73
210000
3000
99 procent tego, co widzicie,
03:51
is not what comes in through the eyes.
74
213000
4000
nie pochodzi od oczu.
03:55
It is what you infer about that room.
75
217000
4000
Pochodzi z tego, co wywnioskowaliście o tym pokoju.
03:59
So I can say, with some certainty,
76
221000
4000
Z pewną dozą pewności mogę powiedzieć
04:03
"I think, therefore I am."
77
225000
3000
"Myślę, więc jestem."
04:06
But I cannot say, "You think, therefore you are,"
78
228000
4000
Ale nie mogę powiedzieć: "Myślicie, więc jesteście",
04:10
because "you" are within my perceptual bubble.
79
232000
5000
bo znajdujecie się w mojej percepcyjnej bańce.
04:15
Now, we can speculate and philosophize this,
80
237000
3000
Możemy teraz spekulować czy filozofować na ten temat
04:18
but we don't actually have to for the next hundred years.
81
240000
3000
przez następne sto lat, ale w rzeczywistości wcale nie musimy.
04:21
We can ask a very concrete question.
82
243000
2000
Możemy zadać bardzo konkretne pytanie.
04:23
"Can the brain build such a perception?"
83
245000
4000
"Czy mózg może zbudować taką percepcję?"
04:27
Is it capable of doing it?
84
249000
2000
Czy potrafi tego dokonać?
04:29
Does it have the substance to do it?
85
251000
2000
Czy ma do tego odpowiednie składniki?
04:31
And that's what I'm going to describe to you today.
86
253000
3000
I to zamierzam opisać wam dzisiaj.
04:34
So, it took the universe 11 billion years to build the brain.
87
256000
4000
Zbudowanie mózgu zajęło wszechświatowi 11 miliardów lat.
04:38
It had to improve it a little bit.
88
260000
2000
Musiał trochę jeszcze go ulepszyć.
04:40
It had to add to the frontal part, so that you would have instincts,
89
262000
3000
Dodać płat czołowy, tak byście mogli mieć instynkty,
04:43
because they had to cope on land.
90
265000
3000
przecież musiano poradzić sobie na lądzie.
04:46
But the real big step was the neocortex.
91
268000
4000
Ale prawdziwie wielkim krokiem była kora nowa.
04:50
It's a new brain. You needed it.
92
272000
2000
To nowy mózg, którego potrzebowaliście.
04:52
The mammals needed it
93
274000
2000
Ssaki potrzebowały go,
04:54
because they had to cope with parenthood,
94
276000
4000
ponieważ musiały radzić sobie z rodzicielstwem,
04:58
social interactions,
95
280000
2000
interakcjami społecznymi,
05:00
complex cognitive functions.
96
282000
3000
złożonymi funkcjami poznawczymi.
05:03
So, you can think of the neocortex
97
285000
2000
Można powiedzieć, że kora nowa
05:05
actually as the ultimate solution today,
98
287000
5000
to ostateczne znane nam rozwiązanie
05:10
of the universe as we know it.
99
292000
3000
wytworzone przez wszechświat.
05:13
It's the pinnacle, it's the final product
100
295000
2000
To szczyt, produkt końcowy wszechświata.
05:15
that the universe has produced.
101
297000
4000
To szczyt, produkt końcowy wszechświata.
05:19
It was so successful in evolution
102
301000
2000
Była ona tak skuteczny w ewolucji,
05:21
that from mouse to man it expanded
103
303000
2000
że od myszy do człowieka
05:23
about a thousandfold in terms of the numbers of neurons,
104
305000
3000
jej liczba neuronów wzrosła tysiąckrotnie,
05:26
to produce this almost frightening
105
308000
3000
tworząc w końcu ten niemal przerażający narząd.
05:29
organ, structure.
106
311000
3000
tworząc w końcu ten niemal przerażający narząd.
05:32
And it has not stopped its evolutionary path.
107
314000
3000
A jej ewolucja wcale się tu nie zatrzymała.
05:35
In fact, the neocortex in the human brain
108
317000
2000
Kora nowa mózgu człowieka
05:37
is evolving at an enormous speed.
109
319000
3000
rozwija się z ogromną prędkością.
05:40
If you zoom into the surface of the neocortex,
110
322000
2000
Zagłębiwszy się w powierzchni kory nowej,
05:42
you discover that it's made up of little modules,
111
324000
3000
widzimy, że składa się ona z małych modułów,
05:45
G5 processors, like in a computer.
112
327000
2000
procesorów G5, jak w komputerze.
05:47
But there are about a million of them.
113
329000
3000
Ale tu jest ich około miliona.
05:50
They were so successful in evolution
114
332000
2000
Dawały taką przewagę ewolucyjną,
05:52
that what we did was to duplicate them
115
334000
2000
że mnożyliśmy je, póki nie zabrakło na nie miejsca
05:54
over and over and add more and more of them to the brain
116
336000
2000
że mnożyliśmy je, póki nie zabrakło miejsca w czaszce.
05:56
until we ran out of space in the skull.
117
338000
3000
że mnożyliśmy je, póki nie zabrakło miejsca w czaszce.
05:59
And the brain started to fold in on itself,
118
341000
2000
Wtedy mózg zaczął się składać w sobie.
06:01
and that's why the neocortex is so highly convoluted.
119
343000
3000
Dlatego kora nowa jest tak pofałdowana.
06:04
We're just packing in columns,
120
346000
2000
Pakowaliśmy ją w kolumny,
06:06
so that we'd have more neocortical columns
121
348000
3000
bo do wykonywania złożonych zadań
06:09
to perform more complex functions.
122
351000
3000
potrzebna była duża liczba kolumn neuronalnych.
06:12
So you can think of the neocortex actually as
123
354000
2000
Korę nową można sobie wyobrazić jako wielkie pianino
06:14
a massive grand piano,
124
356000
2000
Korę nową można sobie wyobrazić jako wielkie pianino
06:16
a million-key grand piano.
125
358000
3000
z milionem klawiszy.
06:19
Each of these neocortical columns
126
361000
2000
Każda z kolumn neuronalnych gra określoną nutę.
06:21
would produce a note.
127
363000
2000
Każda z kolumn neuronalnych gra określoną nutę.
06:23
You stimulate it; it produces a symphony.
128
365000
3000
Gdy ją pobudzimy, zagra symfonię.
06:26
But it's not just a symphony of perception.
129
368000
3000
To nie tylko symfonia percepcji.
06:29
It's a symphony of your universe, your reality.
130
371000
3000
To symfonia waszego świata, waszej rzeczywistości.
06:32
Now, of course it takes years to learn how
131
374000
3000
Oczywiście nauka gry na pianinie z milionem klawiszy trwa lata.
06:35
to master a grand piano with a million keys.
132
377000
3000
Oczywiście nauka gry na pianinie z milionem klawiszy trwa lata.
06:38
That's why you have to send your kids to good schools,
133
380000
2000
To dlatego wysyłamy dzieci do dobrych szkół,
06:40
hopefully eventually to Oxford.
134
382000
2000
może w końcu do Oxfordu.
06:42
But it's not only education.
135
384000
3000
Ale nie chodzi tylko o edukację.
06:45
It's also genetics.
136
387000
2000
Chodzi też o geny.
06:47
You may be born lucky,
137
389000
2000
Możecie urodzić się szczęściarzami,
06:49
where you know how to master your neocortical column,
138
391000
4000
albo potrafić opanować swoje kolumny neuronalne
06:53
and you can play a fantastic symphony.
139
395000
2000
i grać fantastyczne symfonie.
06:55
In fact, there is a new theory of autism
140
397000
3000
Nowa teoria autyzmu, teoria "intensywnego świata" ("intense world"),
06:58
called the "intense world" theory,
141
400000
2000
Nowa teoria autyzmu, teoria "intensywnego świata" ("intense world"),
07:00
which suggests that the neocortical columns are super-columns.
142
402000
4000
która sugeruje, że kolumny neuronalne to super-kolumny.
07:04
They are highly reactive, and they are super-plastic,
143
406000
4000
Są one bardzo reaktywne i super-plastyczne,
07:08
and so the autists are probably capable of
144
410000
3000
więc osoby autystyczne są prawdopodobnie w stanie
07:11
building and learning a symphony
145
413000
2000
stworzyć i zrozumieć symfonię
07:13
which is unthinkable for us.
146
415000
2000
dla nas nie do pojęcia.
07:15
But you can also understand
147
417000
2000
Ale rozumiecie,
07:17
that if you have a disease
148
419000
2000
że jeśli jedna z tych kolumn jest chora,
07:19
within one of these columns,
149
421000
2000
że jeśli jedna z tych kolumn jest chora,
07:21
the note is going to be off.
150
423000
2000
będzie grać fałszywie.
07:23
The perception, the symphony that you create
151
425000
2000
Percepcja, czyli symfonia, którą tworzycie, będzie uszkodzona,
07:25
is going to be corrupted,
152
427000
2000
Percepcja, czyli symfonia, którą tworzycie, będzie uszkodzona,
07:27
and you will have symptoms of disease.
153
429000
3000
pojawią się objawy choroby.
07:30
So, the Holy Grail for neuroscience
154
432000
4000
Tak więc prawdziwym Świętym Graalem neurobiologii
07:34
is really to understand the design of the neocoritical column --
155
436000
4000
jest zrozumienie konstrukcji kolumn neuronalnych kory nowej.
07:38
and it's not just for neuroscience;
156
440000
2000
Nie chodzi tu tylko o neurobiologię:
07:40
it's perhaps to understand perception, to understand reality,
157
442000
3000
może to umożliwić zrozumienie percepcji, rzeczywistości,
07:43
and perhaps to even also understand physical reality.
158
445000
4000
a może nawet rzeczywistości fizycznej.
07:47
So, what we did was, for the past 15 years,
159
449000
3000
Tak więc przez ostatnie 15 lat
07:50
was to dissect out the neocortex, systematically.
160
452000
4000
systematycznie rozkładaliśmy korę nową na czynniki pierwsze.
07:54
It's a bit like going and cataloging a piece of the rainforest.
161
456000
4000
To trochę jak katalogowanie odcinka lasu tropikalnego.
07:58
How many trees does it have?
162
460000
2000
Ile zawiera drzew?
08:00
What shapes are the trees?
163
462000
2000
Jakiego są one kształtu?
08:02
How many of each type of tree do you have? Where are they positioned?
164
464000
3000
Ile jest drzew każdego gatunku? Jak są one rozmieszczone?
08:05
But it's a bit more than cataloging because you actually have to
165
467000
2000
Ale to więcej niż katalogowanie,
08:07
describe and discover all the rules of communication,
166
469000
4000
gdyż trzeba opisać i odkryć wszystkie zasady komunikacji,
08:11
the rules of connectivity,
167
473000
2000
zasady łączności,
08:13
because the neurons don't just like to connect with any neuron.
168
475000
3000
ponieważ neurony nie łączą się z każdym neuronem.
08:16
They choose very carefully who they connect with.
169
478000
3000
Bardzo starannie wybierają, z kim się połączą.
08:19
It's also more than cataloging
170
481000
3000
To więcej niż katalogowanie także dlatego,
08:22
because you actually have to build three-dimensional
171
484000
2000
że trzeba zbudować ich trójwymiarowy cyfrowy model.
08:24
digital models of them.
172
486000
2000
że trzeba zbudować ich trójwymiarowy cyfrowy model.
08:26
And we did that for tens of thousands of neurons,
173
488000
2000
I zrobiliśmy to, dla dziesiątek tysięcy neuronów.
08:28
built digital models of all the different types
174
490000
3000
Zbudowaliśmy cyfrowy model różnych rodzajów
08:31
of neurons we came across.
175
493000
2000
neuronów, z którymi się spotkaliśmy.
08:33
And once you have that, you can actually
176
495000
2000
Dysponując takim modelem. można zacząć budowę kolumny neuronalnej.
08:35
begin to build the neocortical column.
177
497000
4000
Dysponując takim modelem. można zacząć budowę kolumny neuronalnej.
08:39
And here we're coiling them up.
178
501000
3000
Tutaj rysuje się kolumna.
08:42
But as you do this, what you see
179
504000
3000
Ale tworząc kolumnę widzimy,
08:45
is that the branches intersect
180
507000
2000
że rozgałęzienia neuronów przecinają się w milionach miejsc,
08:47
actually in millions of locations,
181
509000
3000
że rozgałęzienia neuronów przecinają się w milionach miejsc,
08:50
and at each of these intersections
182
512000
3000
a na każdym z tych przecięć
08:53
they can form a synapse.
183
515000
2000
mogą uformować się synapsy.
08:55
And a synapse is a chemical location
184
517000
2000
A synapsa to miejsce, w którym neurony komunikują się chemicznie.
08:57
where they communicate with each other.
185
519000
3000
A synapsa to miejsce, w którym neurony komunikują się chemicznie.
09:00
And these synapses together
186
522000
2000
Synapsy razem tworzą sieć,
09:02
form the network
187
524000
2000
Synapsy razem tworzą sieć,
09:04
or the circuit of the brain.
188
526000
3000
czyli "obwody " mózgowe.
09:07
Now, the circuit, you could also think of as
189
529000
4000
Można powiedzieć, że obwody te stanowią materię mózgu.
09:11
the fabric of the brain.
190
533000
2000
Można powiedzieć, że obwody te stanowią materię mózgu.
09:13
And when you think of the fabric of the brain,
191
535000
3000
A rozmyślając o materii, czy strukturze mózgu
09:16
the structure, how is it built? What is the pattern of the carpet?
192
538000
4000
i jego budowie, o wzorze tego dywanu,
09:20
You realize that this poses
193
542000
2000
uświadamiamy sobie, że te kwestie
09:22
a fundamental challenge to any theory of the brain,
194
544000
4000
to podstawowe wyzwanie dla każdej teorii mózgu,
09:26
and especially to a theory that says
195
548000
2000
a zwłaszcza takiej, która mówi,
09:28
that there is some reality that emerges
196
550000
2000
że z tego konkretnego dywanu o określonym wzorze
09:30
out of this carpet, out of this particular carpet
197
552000
3000
że z tego konkretnego dywanu o określonym wzorze
09:33
with a particular pattern.
198
555000
2000
wyłania się jakaś rzeczywistość.
09:35
The reason is because the most important design secret of the brain
199
557000
3000
To dlatego, że najważniejszym sekretem architektury mózgu
09:38
is diversity.
200
560000
2000
jest różnorodność.
09:40
Every neuron is different.
201
562000
2000
Każdy neuron jest inny.
09:42
It's the same in the forest. Every pine tree is different.
202
564000
2000
Tak jak w lesie. Każda sosna jest inna.
09:44
You may have many different types of trees,
203
566000
2000
Jest wiele gatunków drzew,
09:46
but every pine tree is different. And in the brain it's the same.
204
568000
3000
ale każda sosna jest inna. I w mózgu jest tak samo.
09:49
So there is no neuron in my brain that is the same as another,
205
571000
3000
Tak więc w moim mózgu nie ma dwóch identycznych neuronów,
09:52
and there is no neuron in my brain that is the same as in yours.
206
574000
3000
a żaden z nich nie jest identyczny z jakimkolwiek z waszych.
09:55
And your neurons are not going to be oriented and positioned
207
577000
3000
Wasze neurony nie będą zorientowane i umiejscowione
09:58
in exactly the same way.
208
580000
2000
dokładnie tak samo.
10:00
And you may have more or less neurons.
209
582000
2000
Możecie też mieć ich więcej lub mniej.
10:02
So it's very unlikely
210
584000
2000
Więc jest mało prawdopodobne,
10:04
that you got the same fabric, the same circuitry.
211
586000
4000
że macie tę samą strukturę, te same obwody.
10:08
So, how could we possibly create a reality
212
590000
2000
Jak więc możemy stworzyć rzeczywistość
10:10
that we can even understand each other?
213
592000
3000
którą nawet rozumiemy nawzajem?
10:13
Well, we don't have to speculate.
214
595000
2000
Cóż, nie musimy spekulować.
10:15
We can look at all 10 million synapses now.
215
597000
3000
Teraz możemy obserwować wszystkie 10 milionów synaps.
10:18
We can look at the fabric. And we can change neurons.
216
600000
3000
Możemy spojrzeć na materię i zmienić neurony.
10:21
We can use different neurons with different variations.
217
603000
2000
Korzystać z różnych neuronów i ich wariacji.
10:23
We can position them in different places,
218
605000
2000
Ustawiać je w różnych pozycjach,
10:25
orient them in different places.
219
607000
2000
zmieniać ich orientację.
10:27
We can use less or more of them.
220
609000
2000
Możemy użyć ich mniej lub więcej.
10:29
And when we do that
221
611000
2000
I odkryliśmy, że wtedy zmieniają się obwody.
10:31
what we discovered is that the circuitry does change.
222
613000
3000
I odkryliśmy, że wtedy zmieniają się obwody.
10:34
But the pattern of how the circuitry is designed does not.
223
616000
7000
jednak wzór ich konstrukcji pozostaje taki sam.
10:41
So, the fabric of the brain,
224
623000
2000
Jeśli chodzi o strukturę tych obwodów,
10:43
even though your brain may be smaller, bigger,
225
625000
2000
nie ważne, jak wielki jest mózg,
10:45
it may have different types of neurons,
226
627000
3000
jakie zawiera typy neuronów,
10:48
different morphologies of neurons,
227
630000
2000
jaka jest ich morfologia,
10:50
we actually do share
228
632000
3000
struktura obwodów mózgowych zawsze jest u nas taka sama.
10:53
the same fabric.
229
635000
2000
struktura obwodów mózgowych zawsze jest u nas taka sama.
10:55
And we think this is species-specific,
230
637000
2000
I sądzimy, że jest ona specyficzna dla gatunku,
10:57
which means that that could explain
231
639000
2000
co może wyjaśnić, dlaczego nie potrafimy
10:59
why we can't communicate across species.
232
641000
2000
komunikować się między gatunkami.
11:01
So, let's switch it on. But to do it, what you have to do
233
643000
3000
A więc włączmy to. Ale najpierw trzeba to ożywić.
11:04
is you have to make this come alive.
234
646000
2000
A więc włączmy to. Ale najpierw trzeba to ożywić.
11:06
We make it come alive
235
648000
2000
Ożywiamy tę strukturę
11:08
with equations, a lot of mathematics.
236
650000
2000
przy pomocy równań; jest dużo matematyki.
11:10
And, in fact, the equations that make neurons into electrical generators
237
652000
4000
Równania, które zmieniają neurony w generatory elektryczne,
11:14
were discovered by two Cambridge Nobel Laureates.
238
656000
3000
odkryli dwaj laureaci Nagrody Nobla z Cambridge.
11:17
So, we have the mathematics to make neurons come alive.
239
659000
3000
Mamy więc matematykę, która ożywi neurony.
11:20
We also have the mathematics to describe
240
662000
2000
Mamy też matematykę, która opisuje,
11:22
how neurons collect information,
241
664000
3000
jak neurony pobierają informacje,
11:25
and how they create a little lightning bolt
242
667000
3000
i jak tworzą małe błyskawice
11:28
to communicate with each other.
243
670000
2000
do komunikacji między sobą.
11:30
And when they get to the synapse,
244
672000
2000
A gdy te dotrą one do synapsy,
11:32
what they do is they effectively,
245
674000
2000
dosłownie porażają ją prądem.
11:34
literally, shock the synapse.
246
676000
3000
dosłownie porażają ją prądem.
11:37
It's like electrical shock
247
679000
2000
To porażenie prądem
11:39
that releases the chemicals from these synapses.
248
681000
3000
uwalnia z synaps substancje chemiczne.
11:42
And we've got the mathematics to describe this process.
249
684000
3000
I mamy matematykę, która opisuje ten proces,
11:45
So we can describe the communication between the neurons.
250
687000
4000
dlatego możemy opisać komunikację między neuronami.
11:49
There literally are only a handful
251
691000
3000
Do symulacji działania kory nowej
11:52
of equations that you need to simulate
252
694000
2000
potrzeba dosłownie kilku równań.
11:54
the activity of the neocortex.
253
696000
2000
potrzeba dosłownie kilku równań.
11:56
But what you do need is a very big computer.
254
698000
3000
Ale niezbędny jest potężny komputer.
11:59
And in fact you need one laptop
255
701000
2000
Do obliczeń dla jednego neuronu potrzeba jednego laptopa.
12:01
to do all the calculations just for one neuron.
256
703000
3000
Do obliczeń dla jednego neuronu potrzeba jednego laptopa.
12:04
So you need 10,000 laptops.
257
706000
2000
Czyli musimy mieć 10.000 laptopów.
12:06
So where do you go? You go to IBM,
258
708000
2000
Więc idziecie do IBM po superkomputer, bo oni potrafią
12:08
and you get a supercomputer, because they know how to take
259
710000
2000
Więc idziecie do IBM po superkomputer, bo oni potrafią
12:10
10,000 laptops and put it into the size of a refrigerator.
260
712000
4000
zebrać moc 10.000 laptopów w coś wielkości lodówki.
12:14
So now we have this Blue Gene supercomputer.
261
716000
3000
Więc teraz mamy superkomputer Blue Gene.
12:17
We can load up all the neurons,
262
719000
2000
Możemy załadować wszystkie neurony,
12:19
each one on to its processor,
263
721000
2000
każdy na swój procesor,
12:21
and fire it up, and see what happens.
264
723000
4000
odpalić to i zobaczyć, co się stanie.
12:25
Take the magic carpet for a ride.
265
727000
3000
Wskoczyć na latający dywan.
12:28
Here we activate it. And this gives the first glimpse
266
730000
3000
Tutaj go uaktywniliśmy. Oto pierwszy obraz tego,
12:31
of what is happening in your brain
267
733000
2000
co się dzieje w waszym mózgu
12:33
when there is a stimulation.
268
735000
2000
podczas stymulacji.
12:35
It's the first view.
269
737000
2000
To pierwsze spojrzenie.
12:37
Now, when you look at that the first time, you think,
270
739000
2000
Obserwując to po raz pierwszy, myślicie,
12:39
"My god. How is reality coming out of that?"
271
741000
5000
"Boże, jak z tego wyłania się rzeczywistość?"
12:44
But, in fact, you can start,
272
746000
3000
Ale tak naprawdę, możemy już zacząć,
12:47
even though we haven't trained this neocortical column
273
749000
4000
choć nie wyszkoliliśmy jeszcze tej kolumny
12:51
to create a specific reality.
274
753000
2000
w tworzeniu konkretnej rzeczywistości.
12:53
But we can ask, "Where is the rose?"
275
755000
4000
Ale możemy zapytać: "Gdzie jest ta róża?"
12:57
We can ask, "Where is it inside,
276
759000
2000
"Gdzie ona jest w środku,
12:59
if we stimulate it with a picture?"
277
761000
3000
jeśli stymulujemy kolumnę jej zdjęciem?"
13:02
Where is it inside the neocortex?
278
764000
2000
Gdzie ona jest w korze nowej?
13:04
Ultimately it's got to be there if we stimulated it with it.
279
766000
4000
Ostatecznie to musi tam być, jeśli nią korę.
13:08
So, the way that we can look at that
280
770000
2000
Odpowiadając na to pytanie,
13:10
is to ignore the neurons, ignore the synapses,
281
772000
3000
możemy zignorować neurony oraz synapsy
13:13
and look just at the raw electrical activity.
282
775000
2000
i obserwować surową aktywność elektryczną.
13:15
Because that is what it's creating.
283
777000
2000
Gdyż to właśnie tworzy kolumna.
13:17
It's creating electrical patterns.
284
779000
2000
Tworzony jest elektryczny wzór.
13:19
So when we did this,
285
781000
2000
Więc kiedy to zrobiliśmy,
13:21
we indeed, for the first time,
286
783000
2000
to rzeczywiście, po raz pierwszy
13:23
saw these ghost-like structures:
287
785000
3000
zobaczyliśmy te widmowe struktury:
13:26
electrical objects appearing
288
788000
3000
elektryczne obiekty pojawiające się
13:29
within the neocortical column.
289
791000
3000
wewnątrz kolumny kory nowej.
13:32
And it's these electrical objects
290
794000
3000
I to te elektryczne obiekty
13:35
that are holding all the information about
291
797000
3000
przechowują wszelkie informacje
13:38
whatever stimulated it.
292
800000
3000
o czymkolwiek, co je stymuluje.
13:41
And then when we zoomed into this,
293
803000
2000
A podążywszy głębiej,
13:43
it's like a veritable universe.
294
805000
4000
widzimy coś, co przypomina prawdziwy wszechświat.
13:47
So the next step
295
809000
2000
Następnym krokiem byłoby
13:49
is just to take these brain coordinates
296
811000
4000
przeniesienie tych współrzędnych mózgowych
13:53
and to project them into perceptual space.
297
815000
4000
przestrzeń przestrzeń percepcji.
13:57
And if you do that,
298
819000
2000
To umożliwiłoby nam wejście
13:59
you will be able to step inside
299
821000
2000
To umożliwiłoby nam wejście
14:01
the reality that is created
300
823000
2000
w rzeczywistość tworzoną przez ten komputer,
14:03
by this machine,
301
825000
2000
w rzeczywistość tworzoną przez ten komputer,
14:05
by this piece of the brain.
302
827000
3000
przez ten kawałek mózgu.
14:08
So, in summary,
303
830000
2000
Tak więc, podsumowując,
14:10
I think that the universe may have --
304
832000
2000
myślę, że można powiedzieć,
14:12
it's possible --
305
834000
2000
iż wszechświat doprowadził do ewolucji
14:14
evolved a brain to see itself,
306
836000
3000
mózgu, który ma zobaczyć siebie,
14:17
which may be a first step in becoming aware of itself.
307
839000
5000
co kiedyś może sprawić, że stanie się siebie świadomy.
14:22
There is a lot more to do to test these theories,
308
844000
2000
Zbadanie tej teorii, jak i wszystkich innych, wymaga jeszcze wiele pracy.
14:24
and to test any other theories.
309
846000
3000
Zbadanie tej teorii, jak i wszystkich innych, wymaga jeszcze wiele pracy.
14:27
But I hope that you are at least partly convinced
310
849000
3000
Ale mam nadzieję, że przynajmniej częściowo przekonałem was,
14:30
that it is not impossible to build a brain.
311
852000
3000
że zbudowanie mózgu nie jest niewykonalne.
14:33
We can do it within 10 years,
312
855000
2000
Możemy to zrobić w ciągu 10 lat,
14:35
and if we do succeed,
313
857000
2000
i jeśli się nam powiedzie,
14:37
we will send to TED, in 10 years,
314
859000
2000
wyślemy do TED, za 10 lat,
14:39
a hologram to talk to you. Thank you.
315
861000
3000
hologram, który z wami porozmawia. Dziękuję.
14:42
(Applause)
316
864000
6000
(Brawa)
ABOUT THE SPEAKER
Henry Markram - NeuroscientistHenry Markram is director of Blue Brain, a supercomputing project that can model components of the mammalian brain to precise cellular detail -- and simulate their activity in 3D. Soon he'll simulate a whole rat brain in real time.
Why you should listen
In the microscopic, yet-uncharted circuitry of the cortex, Henry Markram is perhaps the most ambitious -- and our most promising -- frontiersman. Backed by the extraordinary power of the IBM Blue Gene supercomputing architecture, which can perform hundreds of trillions of calculations per second, he's using complex models to precisely simulate the neocortical column (and its tens of millions of neural connections) in 3D.
Though the aim of Blue Brain research is mainly biomedical, it has been edging up on some deep, contentious philosophical questions about the mind -- "Can a robot think?" and "Can consciousness be reduced to mechanical components?" -- the consequence of which Markram is well aware: Asked by Seed Magazine what a simulation of a full brain might do, he answered, "Everything. I mean everything" -- with a grin.
Now, with a successful proof-of-concept for simulation in hand (the project's first phase was completed in 2007), Markram is looking toward a future where brains might be modeled even down to the molecular and genetic level. Computing power marching rightward and up along the graph of Moore's Law, Markram is sure to be at the forefront as answers to the mysteries of cognition emerge.
Henry Markram | Speaker | TED.com