TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins em como a ciência do cérebro irá mudar a ciência da computação
Filmed:
Readability: 3.2
1,674,773 views
O criador do Treo, Jeff Hawkins, incita-nos a uma nova perspectiva do cérebro -- vê-lo não como um processador rápido, mas como um sistema de memória que grava e reproduz experiências que nos ajudam a predizer, de forma inteligente, o que irá acontecer a seguir.
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
Eu faço duas coisas. Desenho computadores portáteis e estudo cérebros.
00:29
And today's talk is about brains and,
1
4000
2000
E a apresentação de hoje é sobre cérebros e,
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
hei, algures eu tenho um admirador de cérebros por ai.
00:33
(Laughter)
3
8000
2000
(Risos)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Vou, se conseguir ter o meu primeiro slide aqui em cima,
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
e vão ver o título da minha apresentação e as minhas duas afiliações.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Portanto vou falar-vos de porque é que não temos uma boa teoria do cérebro,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
porque é importante desenvolver uma e o que podemos fazer para isso.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
E vou tentar fazer isso tudo em 20 minutos. Tenho duas afiliações.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
A maior parte de vocês conhece-me pelo meu Palm e os meus dias da Handspring,
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
mas eu também dirijo um instituto cientifico sem fins lucrativos
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
chamado 'Redwood Neuroscience Institute' em 'Menlo Park',
00:59
and we study theoretical neuroscience,
12
34000
2000
e estudamos neuro ciência teórica,
01:01
and we study how the neocortex works.
13
36000
2000
e estudamos como o neocórtex funciona.
01:03
I'm going to talk all about that.
14
38000
2000
E eu vou falar sobre isso tudo.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Tenho um slide da minha outra vida, a vida dos computadores, que é este slide aqui.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
São alguns dos produtos em que trabalhei nos últimos 20 anos,
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
começando no primeiro laptop original até alguns dos primeiros computadores tablet
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
e por ai fora, acabando no Treo recentemente,
01:17
and we're continuing to do this.
19
52000
2000
e continuamos a fazer isto.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
E fiz isto porque acredito realmente que os computadores móveis
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
são o futuro dos computadores pessoais, e estou a tentar fazer o mundo
01:24
a little bit better by working on these things.
22
59000
3000
um pouco melhor trabalhando nestas coisas.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Mas isto foi, tenho de admiti-lo, um acidente.
01:29
I really didn't want to do any of these products
24
64000
2000
Eu nunca quis fazer nenhum destes produtos
01:31
and very early in my career I decided
25
66000
2000
e muito cedo na minha carreira decidi
01:33
I was not going to be in the computer industry.
26
68000
3000
que não iria para a industria dos computadores.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
E antes de vos contar sobre isso, apenas tenho a dizer-vos
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
esta pequena imagem de graffiti que eu copiei da internet no outro dia.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Estava a procura de uma imagem de graffiti, linguagem de entrada de texto simples,
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
e encontrei um sitio Internet dedicado a professores que querem fazer estes,
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
sabem, escrever coisas por cima do quadro negro,
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
e eles também usaram graffiti, e peço desculpa por isso.
01:52
(Laughter)
33
87000
2000
(Risos)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Então o que aconteceu foi, quando era novo e sai da escola de engenharia,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
Cornell em 79, decici, quero ir trabalhar para a Intel.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Estava na indústria dos computadores, e depois de três meses nisso,
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
apaixonei-me por outra coisa, e disse, "fiz uma escolha de carreira errada,"
02:10
and I fell in love with brains.
38
105000
3000
e apaixonei-me por cérebros.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Isto não é um cérebro verdadeiro. É um desenho de um cérebro.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Mas não me lembro exactamente como começou,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
mas tenho uma recordação, que é bastante forte na minha mente.
02:22
In September 1979, Scientific American came out
42
117000
3000
Em setembro de 1979, o 'Scientific American' saiu
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
com apenas um tópico sobre o cérebro. E era bastante bom.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Foi um dos melhores números de sempre. E falaram sobre o neurónio
02:31
and development and disease and vision and all the things
45
126000
2000
e desenvolvimento e doença e visão e de tudo o
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
que pode querer saber sobre cérebros. Foi realmente impressionante.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
E podíamos ficar com a impressão de que conhecíamos muito sobre cérebros.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Mas o último artigo desse número foi escrito por Francis Crick famoso pelo ADN.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Hoje é, penso eu, o aniversário dos 50 anos da descoberta do ADN.
02:46
And he wrote a story basically saying,
50
141000
2000
E ele escreveu uma história dizendo basicamente,
02:48
well, this is all well and good, but you know what,
51
143000
3000
bem, isto é tudo bem e bom, mas sabem que mais,
02:51
we don't know diddley squat about brains
52
146000
2000
não sabemos patavina sobre cérebros
02:53
and no one has a clue how these things work,
53
148000
2000
e ninguém tem uma pista de como essas coisas funcionam,
02:55
so don't believe what anyone tells you.
54
150000
2000
por isso não acreditem em tudo o que vos dizem.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Isto é uma citação desse artigo. Ele disse, "O que manifestamente nos falta,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
ele é um verdadeiro "gentleman" britânico portanto, "O que manifestamente nos falta
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
é um bom conjunto de ideias para podermos interpretar essas diferentes aproximações."
03:07
I thought the word framework was great.
58
162000
2000
Pensei que a palavra "framework" era óptima.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Ela não disse que nem sequer tínhamos uma teoria. Ele disse,
03:11
we don't even know how to begin to think about it --
60
166000
2000
nem sequer sabemos como começar a pensar nisso --
03:13
we don't even have a framework.
61
168000
2000
nem sequer temos uma "framework".
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Estamos nos dias de pré-paradigma se parafrasearmos Thomas Kuhn.
03:18
And so I fell in love with this, and said look,
63
173000
3000
E eu apaixonei-me por isto, e disse olhem,
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
temos todo este conhecimento sobre cérebros. Será assim tão difícil?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
E é uma coisa que pode funcionar no meu tempo de vida. Achei que podia fazer uma diferença,
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
e por isso tentei sair do negócio dos computadores, para o negócio dos cérebros.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
Primeiro, fui ao MIT, ao laboratório de IA,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
e disse-lhes, bem, também quero construir máquinas inteligentes,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
mas quero fazê-lo começando por estudar primeiro como funciona o cérebro.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
E eles responderam, ah, não é necessário fazer isso.
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
Nós aqui apenas programamos computadores, e é tudo o que é necessário.
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
E eu disse, não, vocês deviam mesmo estudar o cérebro. E eles disseram, ah, sabes,
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
estás errado. E eu disse, não, vocês estão errados, e não entrei no laboratório.
03:48
(Laughter)
74
203000
1000
(Risos)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Mas fiquei um pouco desapontado -- bastante novo, mas voltei
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
uns anos depois e desta vez na Califórnia, e fui a Berkeley.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
E disse, vou para a secção de biologia.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Por isso entrei -- no programa PhD de Biofísica, e estava, tudo bem,
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
estou a estudar cérebros agora, e disse, bem, quero estudar a teoria.
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
E eles disseram, ah não, não podes estudar teoria sobre cérebros.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
Não é uma coisa que se faça. Não é possível arranjar financiamento para isso.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
E como aluno universitário, não podes fazer isso. Por isso disse, oh meu deus.
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Estava muito deprimido. Disse, mas eu posso marcar uma diferença neste ramo.
04:15
So what I did is I went back in the computer industry
84
230000
3000
Por isso voltei para a industria dos computadores
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
e disse, bem, vou ter de trabalhar nisto por uns tempos, fazer qualquer coisa.
04:20
That's when I designed all those computer products.
86
235000
3000
Foi quando desenhei todos aqueles produtos.
04:23
(Laughter)
87
238000
1000
(Risos)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
E disse, quero fazer isto por 4 anos, ganhar algum dinheiro,
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
como estava a formar uma família, e ganhar alguma maturidade,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
e talvez o negócio da neuro-ciência também amadurecesse um pouco.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Bem, demorou mais do que quatro anos. Foram cerca de 16 anos.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Mas estou a fazê-lo agora, e vou falar-vos sobre isso.
04:39
So why should we have a good brain theory?
93
254000
3000
Portanto porque é que deveríamos ter uma boa teoria do cérebro?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
Bem, há muitas razões pelas quais as pessoas fazem ciência.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Uma é -- a mais básica -- é que as pessoas gostam de saber coisas.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Somos curiosos, e por isso vamos por aí à procura de conhecimento, sabem?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Porque estudamos formigas? Bem, é interessante.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Talvez aprenda-mos algo realmente útil sobre isso, mas é interessante e fascinante.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Mas por vezes, uma ciência tem outros atributos
04:57
which makes it really, really interesting.
100
272000
2000
que a fazem muito, muito interessante.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Por vezes uma ciência diz-nos algo sobre nós próprios,
05:02
it'll tell us who we are.
102
277000
1000
diz-nos quem nós somos.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Raramente, sabem, a evolução fez isso e Copérnico fez isso,
05:06
where we have a new understanding of who we are.
104
281000
2000
onde temos uma nova compreensão de quem somos.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
E apesar de tudo, nós somos os nossos cérebros. O meu cérebro está a falar ao vosso cérebro.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Os nossos corpos seguem junto para as curvas, mas o meu cérebro está a falar com o vosso cérebro.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
E se queremos entender quem somos e como sentimos e entendemos,
05:18
we really understand what brains are.
108
293000
2000
nós realmente entendemos o que é o cérebro.
05:20
Another thing is sometimes science
109
295000
2000
Por vezes a ciência
05:22
leads to really big societal benefits and technologies,
110
297000
2000
leva-nos a realmente grandes benefícios sociais e tecnológicos,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
ou negócios, ou qualquer coisa, que vem dela. E essa é outra, também,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
porque quando entendermos como o cérebro funciona, vamos ser capazes
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
de construir máquinas inteligentes, e penso que é uma coisa boa na globalidade,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
e vai trazer benefícios enormes para a sociedade
05:34
just like a fundamental technology.
115
309000
2000
tal como uma tecnologia fundamental.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Por isso porque é que não temos uma teoria do cérebro?
05:38
And people have been working on it for 100 years.
117
313000
3000
E pessoas trabalham nisso há já 100 anos.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Bem, vamos primeiro ver o que é a ciência normal.
05:43
This is normal science.
119
318000
2000
Isto é ciência normal.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Ciência normal é um bom equilíbrio entre teoria e experimentalismo.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
E o teórico diz, bem, eu acho que isto é o que se passa,
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
e o experimentalista diz, não, estás errado.
05:53
And it goes back and forth, you know?
123
328000
2000
E vai e volta, sabem?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Isto funciona na física. Funciona em geologia. Mas se isto é ciência normal,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
como é que se parece a neuro-ciência? Isto é o que parece a neuro-ciência.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Temos esta montanha de dados, que é a anatomia, fisiologia e comportamento.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Nem imaginam o detalhe do que sabemos sobre cérebros..
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Havia 28,000 pessoas na conferencia de neuro-ciência este ano.
06:12
and every one of them is doing research in brains.
129
347000
2000
e cada um deles está a fazer investigação em cérebros.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Muitos dados. Mas não há teoria. Há uma pequena, minúscula caixa ali em cima.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
E a teoria ainda não teve um papel importante em neuro-ciência.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
E é realmente pena. Ora porque é que isto acontece?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Se perguntarem aos neuro-cientistas, porque é que assim é?
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
Eles começam por admiti-lo. Mas se perguntarem, eles dizem,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
bem, há varias razoes por não haver uma boa teoria do cérebro.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Algumas pessoas dizem, bem, ainda não temos dados suficientes,
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
precisamos de mais informação, há muita coisa que não sabemos.
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
Bem, acabei de vos contar que já temos dados até à ponta dos cabelos.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Temos tanta informação que nem sabemos por onde começar.
06:45
What good is more going to do?
140
380000
2000
O que ganhamos em ter mais informação?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Talvez tenhamos sorte e descobrimos alguma coisa mágica, mas não acho.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Isto e' efectivamente o sintoma de que não temos nenhuma teoria.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Não necessitamos de mais dados -- precisamos de uma teoria sobre eles.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Por vezes alguém diz, bem, o cérebro e tão complexo,
06:59
it'll take another 50 years.
145
394000
2000
que vai levar outros 50 anos.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Ate acho que o Chris disse algo semelhante ontem.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Não tenho a certeza do que disseste, Chris, mas foi algo como,
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
bem, é uma das coisas mais complicadas do universo. Não é verdade.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Vocês são mais complicados que o vosso cérebro. Vocês têm um cérebro.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
E também, mesmo que o cérebro pareça muito complicado,
07:12
things look complicated until you understand them.
151
407000
3000
as coisas parecem complicadas até conseguirmos percebê-las.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Foi sempre assim. E portanto tudo o que podemos dizer, bem,
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
o meu neocortex, que é a parte do cérebro em que estou interessado, tem 30 biliões de células.
07:22
But, you know what? It's very, very regular.
154
417000
2000
Mas, sabem uma coisa? É muito, muito regular.
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
De facto, parece a mesma coisa repetida vezes sem conta.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Não e' tão complexo como parece. Não e' essa a questão.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Alguns dizem, o cérebro não pode entender o cérebro.
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Muito Zen. Uau. Sabem --
07:35
You know,
159
430000
1000
(Risos)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Soa bem, mas porque? Quero dizer, qual e' o objectivo?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
E' apenas um conjunto de células. Entendemos o fígado.
07:42
It's got a lot of cells in it too, right?
162
437000
2000
E tem muitas células, certo?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Portanto, sabem, não acho que seja esse o problema.
07:46
And finally, some people say, well, you know,
164
441000
2000
E finalmente, alguns dizem, bem, sabem,
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
Não me sinto um conjunto de células, sabem. Estou consciente.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
Tenho esta experiência, estou no mundo, sabem.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
Não posso ser apenas um conjunto de células. Bem, sabem,
07:56
people used to believe there was a life force to be living,
168
451000
3000
as pessoas pensavam que existia uma força viva para se estar vivo,
07:59
and we now know that's really not true at all.
169
454000
2000
e agora sabemos que isso não é nada verdade.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
E não há nenhuma prova que diga, bem, aparte das pessoas
08:04
just have disbelief that cells can do what they do.
171
459000
2000
que não acreditam que as células possam fazer o que fazem.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
E portanto, se alguém caiu no abismo do dualismo metafisico,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
algumas pessoas mesmo muito espertas, também, mas podemos rejeitar tudo isso.
08:12
(Laughter)
174
467000
2000
(Risos)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Não, vou dizer-vos que há outra coisa,
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
que é realmente fundamental, e é isto:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
há outra razão pela qual não temos uma boa teoria do cérebro,
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
e é porque temos um assumpção intuitiva e forte mas incorrecta,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
que nos impede de ver mais além.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Há coisas em que acreditamos estarem obviamente certas, mas estão erradas.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Ora, há uma historia semelhante na ciência que eu vos vou contar,
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
vou contar-vos a sua historia na ciência.
08:38
You look at some other scientific revolutions,
183
493000
2000
Se olharmos para outras revoluções cientificas,
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
e neste caso falo do sistema solar, e de Copérnico,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
evolução de Darwin e placas tectónicas, de Wegener.
08:45
They all have a lot in common with brain science.
186
500000
3000
Elas tem muito em comum com a ciência do cérebro.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
Em primeiro lugar, tinham muitos dados sem explicação. Muitos.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Mas ficaram mais compreensíveis a partir do momento em que eles elaboraram uma teoria.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
As melhores cabeças estavam bloqueadas, pessoas muito, mesmo muito inteligentes.
08:57
We're not smarter now than they were then.
190
512000
2000
Não somos mais espertos do que eles eram.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Apenas acontece que é muito difícil pensar sobre alguma coisa,
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
mas uma vez bem pensado, é bastante mais fácil entende-la.
09:03
My daughters understood these three theories
193
518000
2000
As minhas filhas entenderam estas três teorias
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
nas suas linhas gerais enquanto andavam no infantário.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
E agora não é muito difícil, sabem, aqui está a maça, aqui está a laranja,
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
sabem, a terra roda, e isso tudo.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Finalmente, outra coisa é que a resposta esteve lá o tempo todo,
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
mas foi ignorada por razoes óbvias, e essa é a realidade.
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Por uma forte convicção intuitiva de que estava errada.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
No caso do sistema solar, a ideia de que a terra está a rodar
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
e a superfície da terra desloca-se a vários milhares de quilómetros por hora,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
e a terra desloca-se pelo sistema solar a um milhão de quilómetros por hora.
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Isto é de lunático. Todos sabemos que a terra não se move.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Sentem como se estivessem a viajar a milhares de quilómetros por hora?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Claro que não. Sabem, e se alguém dissesse,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
bem, que estava a rodar no espaço e que é enorme,
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
eles trancavam-a, e foi o que fizeram naquele tempo.
09:41
(Laughter)
208
556000
1000
(Risos)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Portanto era intuitivo e óbvio. E quanto à evolução?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
A evolução é a mesma coisa. Ensinamos aos nossos filhos, bem, a bíblia diz,
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
como sabem, Deus criou todas as espécies, gatos são gatos, cães são cães,
09:50
people are people, plants are plants, they don't change.
212
565000
3000
pessoas são pessoas, plantas são plantas, eles não mudam.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
Noé pôs-los na Arca por aquela ordem, blá, blá, blá. E, sabem,
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
o facto é que, se acreditam na evolução, que todos temos um antecessor comum,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
e todos temos um ancestral comum com a planta da entrada.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Isto é o que a evolução nos diz. E, é verdade. É mais ou menos inacreditável.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
E é o mesmo sobre as placas tectónicas, percebem?
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Todas as montanhas e continentes estão mais ou menos a flutuar
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
por cima da terra, certo? É como: isso não faz sentido nenhum.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Portanto qual é a intuição, mas assumpção incorrecta,
10:20
that's kept us from understanding brains?
221
595000
2000
que nos impediu de entender o cérebro?
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
Agora vou dizer-vos, e vai parecer óbvio que está correcto,
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
e é esse o objectivo, certo? Então tenho de argumentar
10:26
why you're incorrect about the other assumption.
224
601000
2000
do porquê de estarem errados sobre a outra assumpção.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
A coisa intuitiva mas óbvia é de que de certa forma a inteligência
10:31
is defined by behavior,
226
606000
2000
é definida por comportamento,
10:33
that we are intelligent because of the way that we do things
227
608000
2000
de que somos inteligentes por causa de como fazemos coisas
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
e de como nos comportamos inteligentemente, e vou-vos provar que está errado.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
O que se passa é que a inteligência é definida pela predição.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
E vou levar-vos através de alguns slides,
10:43
give you an example of what this means. Here's a system.
231
618000
4000
dar-vos um exemplo do que isto significa. Aqui esta um sistema.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Os engenheiros gostam de desenhar os sistemas assim. Os cientistas gostam de desenhar os sistemas assim.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Eles dizem, bem, temos uma coisa numa caixa, e temos as suas entradas e saídas.
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
As pessoas da IA dizem, bem, a coisa na caixa é um computador programável
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
porque é equivalente a um cérebro, e fornecemos-lhe algumas entradas
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
e conseguimos pôr-lo a fazer algo, a ter algum tipo de comportamento.
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
E Alan Turing definiu o teste Turing, que defende essencialmente,
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
que podemos saber se algo é inteligente se o seu comportamento for idêntico ao comportamento humano.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Uma medida comportamental do que é a inteligência,
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
e isto ficou entalado nas nossas mentes por muito tempo.
11:12
Reality though, I call it real intelligence.
241
647000
2000
À realidade, eu chamo-lhe inteligência real.
11:14
Real intelligence is built on something else.
242
649000
2000
Inteligência real é feita de outra coisa.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Experimentamos o mundo através de uma sequência de padrões, que guardamos,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
e voltamos a chamar. E quando as chamamos, compara-mo-las
11:23
against reality, and we're making predictions all the time.
245
658000
4000
com a realidade, e estamos a fazer previsões o tempo todo.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
É uma medida eterna. Existe uma medida eterna em nós podemos dizer,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
entendemos o mundo? Estarei a fazer predições? E por ai fora.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Vocês estão todos a ser inteligentes neste momento, mas não estão a fazer nada.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Talvez estejam a coçar-se, ou a meter o dedo no nariz,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
não sei, mas não estão a fazer nada neste momento,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
mas estão a ser inteligentes, estão a entender o que eu digo.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Porque são inteligentes e falam inglês,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
e sabem que palavra existe no fim desta -- (Silencio)
11:45
sentence.
254
680000
2000
frase.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
A palavra surgiu-vos, e vocês estão a fazer estas previsões o tempo todo.
11:50
And then, what I'm saying is,
256
685000
2000
E então, o que quero dizer é,
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
é que a predição eterna é a saída do neocortex.
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
E que de alguma forma, a predição leva ao comportamento inteligente.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
E aqui está como isso acontece. Comecemos com um cérebro não inteligente.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Bem, eu afirmo que um cérebro não inteligente, arranjamos um velho cérebro,
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
e vamos dizer que não é de mamífero, mas de um réptil,
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
portanto digamos, de crocodilo, temos um crocodilo.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
E o crocodilo tem sentidos muito sofisticados.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Tem bons olhos e ouvidos e tacto e outros
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
uma boca e um nariz. Tem um comportamento muito complexo.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Pode correr e esconder-se. Tem medos e emoções. Pode comer-vos, vocês percebem.
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Pode atacar. Pode fazer muitos tipos de coisas.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Mas não consideramos o crocodilo muito inteligente, não de uma forma humana.
12:32
But it has all this complex behavior already.
269
727000
2000
Mas já tem este comportamento complexo.
12:34
Now, in evolution, what happened?
270
729000
2000
Ora, durante a evolução, o que aconteceu?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
A primeira coisa que aconteceu na evolução dos mamíferos,
12:39
we started to develop a thing called the neocortex.
272
734000
2000
começá-mos a desenvolver uma coisa chamada neocortex.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
E vou apresentar o neocortex aqui,
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
por esta caixa que esta posta por cima do velho cérebro.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Neocortex significa nova camada. É uma nova camada por cima do vosso cérebro.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Se não o sabem, é a coisa enrugada no cimo da cabeça que,
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
ficou enrugada porque foi enfiada ali dentro mas não cabe.
12:54
(Laughter)
278
749000
1000
(Risos)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Não, realmente, é mesmo isso. Tem o tamanho de uma toalha de mesa.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
E não cabe, por isso fica toda enrugada. Agora olhem como desenhei isto aqui.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
O velho cérebro ainda ali está. Ainda temos o cérebro de crocodilo.
13:04
You do. It's your emotional brain.
282
759000
2000
Temos. É o cérebro emocional.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
É todas aquelas coisas, e todas as reacções viscerais que temos.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
E por cima dele, temos este sistema de memória chamado neocortex.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
E o sistema de memória assenta sobre a parte sensorial do cérebro.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
E portanto assim como as entradas sensoriais alimentam o velho cérebro,
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
também vão para cima para o neocortex. E o neocortex está apenas a memorizar.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Está ali apenas a dizer, ah, vou memorizar todas as coisas que se passam,
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
onde estive, pessoas que vi, coisas que ouvi, e assim.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
E no futuro, quando vê qualquer coisa semelhante outra vez,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
num contexto semelhante, ou exactamente no mesmo contexto,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
volta a passá-lo de novo. Começa a passá-lo outra vez.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
Oh, já aqui estive antes. E quando já lá estive antes,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
isto aconteceu a seguir. Permite-nos prever o futuro.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Permite-nos, literalmente re-injectar os sinais no cérebro,
13:47
they'll let you see what's going to happen next,
296
802000
2000
para permitem ver o que vai acontecer a seguir,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
permitem ouvir a palavra antes de eu a dizer.
13:52
And it's this feeding back into the old brain
298
807000
3000
E é esta realimentação no velho cérebro
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
que nos permite fazer decisões muito mais inteligentes.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Este é o slide mais importante da minha apresentação, por isso vou insistir nele mais um pouco.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
E por isso, todo o tempo que dizemos, oh, eu consigo prever as coisas.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
E se somos um rato e atravessamos um labirinto, e aprendemos o caminho,
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
a próxima vez que estivermos no labirinto, temos o mesmo comportamento,
14:10
but all of a sudden, you're smarter
304
825000
2000
mas de repente, somos mais espertos
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
porque dizemos, oh, reconheço este labirinto, sei qual o caminho a seguir,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
já aqui estive antes, posso prever o futuro. E é o que está a fazer.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
Nos humanos, já agora, isto é verdade para todos os mamíferos,
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
é verdade para outros mamíferos, e nos humanos, tornou-se muito pior.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Nos humanos, efectivamente desenvolvemos a parte frontal do neocortex
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
chamada a parte anterior do noecortex. E a natureza fez um pequeno truque.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
Copiou a parte posterior, a parte de trás, que é sensorial,
14:32
and put it in the front part.
312
847000
2000
e pô-la na parte frontal.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
E unicamente os humanos têm o mesmo mecanismo na frente,
14:36
but we use it for motor control.
314
851000
2000
mas utiliza-mo-lo para a parte motora.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Portanto somos agora capazes de planear movimentos muito sofisticados, coisas assim.
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
Não tenho tempo para entrar em detalhe, mas se querem entender como funciona o cérebro,
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
têm de entender como funciona a primeira parte do neocortex de um mamífero,
14:47
how it is we store patterns and make predictions.
318
862000
2000
como guardamos sequências e fazemos previsões.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Portanto deixem-me dar-vos alguns exemplos de previsões.
14:52
I already said the word "sentence." In music,
320
867000
2000
Já disse a palavra frase. Em musica,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
se ouviram a canção antes, se ouviram Jill cantar aquelas canções antes,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
quando ela as canta, a próxima nota aparece na vossa cabeça --
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
vocês antecipam-na à medida. Se fosse um álbum de música,
15:02
the end of one album, the next song pops into your head.
324
877000
3000
no fim de uma canção, a próxima canção aparece na vossa cabeça.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
E estas coisas acontecem todo o tempo. Vocês fazem estas previsões.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
Eu tenho esta coisa chamada experiência do pensamento da porta alterada.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
E a experiência do pensamento da porta alterada é, têm uma porta em casa,
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
e enquanto estão aqui eu mudo-a, tenho alguém
15:16
back at your house right now, moving the door around,
329
891000
2000
na vossa casa neste momento, mudando a porta,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
e ele vai mudar o puxador da porta dois centímetros.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
E quando forem para casa hoje, vão pôr a vossa mão ali,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
e vão alcançar o puxador da porta e vão notar
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
que está no local errado, e vocês dizem, uah, algo aconteceu.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Pode levar um segundo a perceber o que foi, mas algo aconteceu.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Agora eu podia mudar o puxador da porta de outras formas.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Posso fazê-lo maior ou menor, posso mudar o material para prata,
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
posso fazer uma alavanca. Posso mudar a vossa porta, por cores nela,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
posso por janelas nela. Posso mudar centenas de coisas na vossa porta,
15:38
and in the two seconds you take to open your door,
339
913000
2000
e nos dois segundos que levam a abrir a porta,
15:40
you're going to notice that something has changed.
340
915000
3000
irão notar que algo mudou.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Ora, a abordagem de engenharia a isto, a abordagem IA a isto,
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
é construir uma base de dados de portas. Tem todos os atributos de portas.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
E quando chegam à porta, sabem, vamos verificá-las todas uma de cada vez.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
Porta, porta, porta, sabem, cor, sabem o que quero dizer.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Nós não fazemos isso. O vosso cérebro não faz isso.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
O que o vosso cérebro faz é previsões constantes o tempo todo
15:57
about what is going to happen in your environment.
347
932000
2000
sobre o que vai acontecer no vosso contexto.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Quando ponho a minha mão nesta mesa, espero senti-la parar.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Quando ando, por cada passo, se falho apenas um oitavo de centímetro,
16:05
I'll know something has changed.
350
940000
2000
notarei que alguma coisa mudou.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Vocês estão constantemente a fazer previsões sobre o vosso contexto.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Vou falar brevemente de visão. Isto é uma imagem de uma mulher.
16:12
And when you look at people, your eyes are caught
353
947000
2000
E quando vocês olham para uma pessoa, os vossos olhos são apanhados
16:14
over at two to three times a second.
354
949000
1000
duas a três vezes por segundo.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Vocês não se apercebem disto, mas os vossos olhos estão sempre a mexer.
16:17
And so when you look at someone's face,
356
952000
2000
E portanto quando olham para a cara de alguém,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
vocês tipicamente vão de olho para olho para olho para nariz para a boca.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Ora, quando os vossos olhos vão de olho para olho,
16:23
if there was something else there like, a nose,
359
958000
2000
se estivesse ali alguma outra coisa como um nariz,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
se vissem um nariz onde um olho deveria estar,
16:27
and you'd go, oh shit, you know --
361
962000
3000
e vocês diriam, oh merda, sabem --
16:30
(Laughter)
362
965000
1000
(Risos)
16:31
There's something wrong about this person.
363
966000
2000
Há algo de errado com esta pessoa.
16:33
And that's because you're making a prediction.
364
968000
2000
E isto porque estão a fazer uma previsão.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Não é como se tivessem olhado e dito, o que estou a ver agora?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
Um nariz, está certo. Não, vocês têm uma expectativa do que vão ver.
16:40
(Laughter)
367
975000
1000
(Risos)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
A todo o momento. E finalmente, pensemos como testamos a inteligência.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Testa-mo-la por previsão. Qual é a palavra seguinte aqui, sabem?
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
Isto é para isto como isto é para isto. Qual é o próximo número nesta frase?
16:51
Here's three visions of an object.
371
986000
2000
Aqui estão três perspectivas de um objecto.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
Qual é a quarta? É assim que a testamos. É tudo sobre previsão.
16:57
So what is the recipe for brain theory?
373
992000
3000
Portanto qual é a receita para uma teoria do cérebro?
17:00
First of all, we have to have the right framework.
374
995000
3000
Em primeiro lugar, temos de ter o 'framework' certo.
17:03
And the framework is a memory framework,
375
998000
2000
E o 'framework' é um 'framework' de memória,
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
não um 'framework' de computação ou comportamento. É um 'framework' de memória.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Como guardam e chamam todas estas sequências? São sequências espacio-temporais.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Depois, se nessa 'framework', tiverem um grupo de teóricos.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Ora os biólogos geralmente não são bons teóricos.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
Nem sempre é verdade, mas em geral, não há grande história de teoria em biologia.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
Eu acho que as melhores pessoas com quem trabalhar são os físicos,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
engenheiros e matemáticos, que têm tendência a pensar algoritmicamente.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Depois têm de aprender a anatomia, e têm de aprender a fisiologia.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Têm de fazer essas teorias muito realistas em termos anatómicos.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Alguém que se ergue e vos fala da sua teoria de como o cérebro funciona
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
e não vos diz exactamente o que se passo dentro do cérebro
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
e como as ligações funcionam dentro do cérebro, não é uma teoria.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
E é o que estamos a fazer no 'Redwood Neuroscience Institute'.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Eu adorava ter mais tempo para vos contar que estamos a fazer progressos fantásticos nisto,
17:48
and I expect to be back up on this stage,
390
1043000
2000
e espero estar de volta neste palco,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
talvez seja uma outra vez num futuro próximo e falar-vos sobre isso.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Estou muito, muito excitado. Isto não vai levar 50 anos.
17:55
So what will brain theory look like?
393
1050000
2000
Portanto como é que se vai parecer uma teoria do cérebro?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Em primeiro lugar, vai ser uma teoria sobre memória.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Não como memória de computador. Não tem nada a ver com memória de computador.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
é muito, muito diferente. E é uma memória dessas
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
sequências multi-dimensão, como o que nos chega dos nossos olhos.
18:07
It's also memory of sequences.
398
1062000
2000
É também memória de sequências.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Vocês não podem aprender ou lembrar nada fora de uma sequência.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Uma canção tem de ser ouvida numa sequência através do tempo,
18:14
and you must play it back in sequence over time.
401
1069000
3000
e vocês têm de a relembrar numa sequência através do tempo.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
E essas sequências são chamadas por auto-associatividade, se eu vir algo,
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
ouvir algo, lembra-me algo, e volta a ser reproduzido automaticamente.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
É uma reprodução automática. E a predição da entrada futura é a saída desejada.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
E como eu disse, a teoria tem de ser biologicamente exacta,
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
tem de ser testável, e vocês têm de ser capazes de a construir.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Se não a construírem, não a compreendem. Por isso, mais um slide aqui.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
O que é que isto vai resultar? Vamos mesmo construir máquinas inteligentes?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Absolutamente. E vai ser diferente do que as pessoas pensam.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Não há duvida de que vai acontecer, na minha mente.
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
Em primeiro lugar, vai ser construído, vamos construí-lo de silício.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
As mesmas técnicas que usamos para construir memórias de computador,
18:54
we can use for here.
413
1109000
1000
podemos usar aqui.
18:55
But they're very different types of memories.
414
1110000
2000
Mas são tipos de memória muito diferentes.
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
E vamos ligar essas memórias a sensores,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
e os sensores vão receber dados reais em tempo real,
19:02
and these things are going to learn about their environment.
417
1117000
2000
e estas coisas vão aprender sobre o seu meio ambiente.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
Ora é muito pouco provável que as primeiras coisas que vamos ver sejam como robôs.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Não que os robôs não sejam úteis e que as pessoas não possam construir robôs.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Mas a parte robótica é a parte mais difícil. É o cérebro antigo. É realmente difícil.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
O novo cérebro é de certa forma mais fácil que o antigo.
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
Portanto a primeira coisa que vamos fazer é aquilo que não necessita de robótica.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Por isso não vão ver o C-3PO.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Vão ver coisas como, vocês sabem, carros inteligentes
19:23
that really understand what traffic is and what driving is
425
1138000
3000
que realmente percebem o que é o tráfego e o que é conduzir
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
e que aprenderam que certos tipos de carros que têm o pisca ligado há mais de 30 segundos
19:29
probably aren't going to turn, things like that.
427
1144000
2000
provavelmente não vão virar, coisas assim.
19:31
(Laughter)
428
1146000
1000
(Risos)
19:32
We can also do intelligent security systems.
429
1147000
2000
Podemos também fazer sistemas de segurança inteligentes.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Em tudo onde basicamente utilizamos o nosso cérebro, mas sem fazer muita mecânica.
19:38
Those are the things that are going to happen first.
431
1153000
2000
Essas são as coisas que vão acontecer primeiro.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Mas finalmente, o mundo é o limite aqui.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Não sei o que é que isto vai dar.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
Conheço muitas pessoas que inventaram o microprocessador
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
e se falarem com eles, eles sabiam que o que estavam a fazer era realmente significativo,
19:51
but they didn't really know what was going to happen.
436
1166000
3000
mas não sabiam realmente o que iria acontecer.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Não podiam antecipar telefones portáteis e a Internet e todo este tipo de coisas.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Eles apenas sabiam algo como, hei, eles vão construir calculadoras
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
e controladores de semáforos. Mas vai ser enorme.
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
Da mesma forma, isto é como a ciência do cérebro e estas memórias
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
vão ser uma tecnologia fundamental, e vai levar-nos
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
a mudanças inacreditáveis nos próximos 100 anos.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
E estou mais excitado sobre como vamos utilizá-las em ciência.
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
E acho que acabei o meu tempo, já acabou, e vou acabar a minha apresentação
20:19
right there.
445
1194000
1000
aqui mesmo.
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