TEDIndia 2009
Pawan Sinha: How brains learn to see
Pawan Sinha sobre como os cérebros aprendem a ver
Filmed:
Readability: 4.5
939,209 views
Pawan Sinha detalha a sua investigação inovadora acerca de como o sistema visual do cérebro se desenvolve. Sinha e a sua equipa oferecem um tratamento de restauração da visão a crianças que nasceram cegas, e depois, estudam como os seus cérebros aprendem a interpretar a informação visual. O seu trabalho oferece conhecimento acerca da neurociência, engenharia e até do autismo.
Pawan Sinha - Visual neuroscientist
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Pawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight. Full bio
Double-click the English transcript below to play the video.
00:15
If you are a blind child in India,
0
0
4000
Se forem uma criança cega na Índia,
00:19
you will very likely have to contend with
1
4000
3000
vão, muito provavelmente, ter de se contentar com
00:22
at least two big pieces of bad news.
2
7000
3000
pelo menos duas más notícias.
00:25
The first bad news
3
10000
2000
A primeira má notícia
00:27
is that the chances of getting treatment
4
12000
3000
é que as hipóteses de serem tratadas
00:30
are extremely slim to none,
5
15000
3000
são extremamente pequenas a nulas,
00:33
and that's because most of the blindness
6
18000
2000
e isso é porque a maioria dos programas
00:35
alleviation programs in the country
7
20000
2000
de alívio da cegueira no país
00:37
are focused on adults,
8
22000
2000
focam-se em adultos,
00:39
and there are very, very few hospitals
9
24000
3000
e existem muito, muito poucos hospitais
00:42
that are actually equipped to treat children.
10
27000
3000
que estão realmente equipados para tratar crianças.
00:46
In fact, if you were to be treated,
11
31000
4000
Na realidade, se fossem tratados,
00:51
you might well end up being treated
12
36000
3000
eram capazes de acabarem por serem tratados
00:54
by a person who has no medical credentials
13
39000
3000
por uma pessoa que não tem quaisquer credencias médicas
00:57
as this case from Rajasthan illustrates.
14
42000
3000
como este caso do Rajastão ilustra.
01:00
This is a three-year-old orphan girl
15
45000
2000
Esta é uma rapariga órfã de três anos
01:02
who had cataracts.
16
47000
2000
que tinha cataratas.
01:04
So, her caretakers took her
17
49000
2000
Por isso, os prestadores de cuidados dela levaram-na
01:06
to the village medicine man,
18
51000
2000
ao curandeiro da vila
01:08
and instead of suggesting to the caretakers
19
53000
3000
que em vez de sugerir que os cuidadores
01:11
that the girl be taken to a hospital,
20
56000
3000
levassem a rapariga para o hospital,
01:14
the person decided to burn her abdomen
21
59000
2000
a pessoa decidiu queimar o abdómen dela
01:16
with red-hot iron bars
22
61000
2000
com barras de ferro a ferver
01:18
to drive out the demons.
23
63000
2000
para expulsar os demónios.
01:20
The second piece of bad news
24
65000
3000
A segunda má notícia
01:23
will be delivered to you
25
68000
2000
vai-vos ser dada
01:25
by neuroscientists, who will tell you
26
70000
3000
por neurocientistas, que vos dirão
01:28
that if you are older than four or five years of age,
27
73000
3000
que se têm mais de quatro ou cinco anos,
01:31
that even if you have your eye corrected,
28
76000
3000
mesmo que corrijam os vossos olhos,
01:34
the chances of your brain learning how to see
29
79000
3000
as hipóteses do vosso cérebro aprender a ver
01:37
are very, very slim --
30
82000
2000
são muito, muito pequenas.
01:39
again, slim or none.
31
84000
3000
Novamente, pequenas a nulas.
01:42
So when I heard these two things,
32
87000
2000
Portanto, quando eu ouvi estas duas coisas
01:44
it troubled me deeply,
33
89000
2000
inquietou-me profundamente,
01:46
both because of personal reasons
34
91000
2000
por causa de razões pessoais
01:48
and scientific reasons.
35
93000
2000
e por razões científicas.
01:50
So let me first start with the personal reason.
36
95000
3000
Deixem-me, então, começar com a razão pessoal.
01:53
It'll sound corny, but it's sincere.
37
98000
3000
Vai-vos soar lamechas, mas é sincero.
01:56
That's my son, Darius.
38
101000
2000
Este é o meu filho, Darius.
01:58
As a new father,
39
103000
2000
Como um pai novato,
02:00
I have a qualitatively different sense
40
105000
4000
eu tenho um sentido qualitativamente diferente
02:04
of just how delicate babies are,
41
109000
3000
do quão delicados os bebés são,
02:07
what our obligations are towards them
42
112000
3000
quais são as nossas obrigações em relação a eles,
02:10
and how much love
43
115000
2000
e quanto amor
02:12
we can feel towards a child.
44
117000
3000
nós conseguimos sentir em relação a uma criança.
02:15
I would move heaven and earth
45
120000
2000
Eu moveria terra e céus
02:17
in order to get treatment for Darius,
46
122000
3000
de forma a conseguir tratamento para o Darius.
02:20
and for me to be told
47
125000
2000
E, para mim, se me disserem
02:22
that there might be other Dariuses
48
127000
2000
que pode haver outros Darius
02:24
who are not getting treatment,
49
129000
2000
que não estão a receber tratamento,
02:26
that's just viscerally wrong.
50
131000
3000
isso é visceralmente errado.
02:29
So that's the personal reason.
51
134000
2000
Portanto, essa é a razão pessoal.
02:31
Scientific reason is that this notion
52
136000
3000
A razão científica é que esta noção
02:34
from neuroscience of critical periods --
53
139000
2000
da neurociência de períodos críticos
02:36
that if the brain is older
54
141000
3000
que, se o cérebro for mais velho
02:39
than four or five years of age,
55
144000
2000
do que quatro ou cinco anos,
02:41
it loses its ability to learn --
56
146000
2000
perde a capacidade de aprender,
02:43
that doesn't sit well with me,
57
148000
2000
isso não me cai bem,
02:45
because I don't think that idea
58
150000
2000
porque eu não penso que essa ideia
02:47
has been tested adequately.
59
152000
3000
tenha sido testada adequadamente.
02:50
The birth of the idea is from
60
155000
2000
O nascimento da ideia é do
02:52
David Hubel and Torsten Wiesel's work,
61
157000
2000
trabalho de David Hubel e Torsten Wiesel,
02:54
two researchers who were at Harvard,
62
159000
2000
dois investigadores que estiveram em Harvard,
02:56
and they got the Nobel Prize in 1981
63
161000
3000
e receberam o Prémio Nobel em 1981
02:59
for their studies of visual physiology,
64
164000
2000
pelos seus estudos em fisiologia visual,
03:01
which are remarkably beautiful studies,
65
166000
2000
os quais são estudos realmente maravilhosos,
03:03
but I believe some of their work
66
168000
2000
mas eu acredito que algum do seu trabalho
03:05
has been extrapolated
67
170000
2000
foi extrapolado
03:07
into the human domain prematurely.
68
172000
2000
para o domínio humano prematuramente.
03:09
So, they did their work with kittens,
69
174000
2000
Portanto, eles fizeram o seu trabalho com gatinhos,
03:11
with different kinds of deprivation regiments,
70
176000
2000
com tipos diferentes de regimes de privação [sensorial],
03:13
and those studies,
71
178000
2000
e esses estudos,
03:15
which date back to the '60s,
72
180000
2000
que datam desde os anos 60,
03:17
are now being applied to human children.
73
182000
3000
estão agora a ser aplicados a crianças humanas.
03:20
So I felt that I needed to do two things.
74
185000
3000
Por isso, eu senti que precisava de fazer duas coisas.
03:23
One: provide care
75
188000
3000
A primeira: providenciar cuidados
03:26
to children who are currently
76
191000
2000
a crianças que estão atualmente
03:28
being deprived of treatment.
77
193000
2000
privadas de tratamento.
03:30
That's the humanitarian mission.
78
195000
2000
Essa é a missão humanitária.
03:32
And the scientific mission would be
79
197000
2000
E a missão científica seria
03:34
to test the limits
80
199000
2000
testar os limites
03:36
of visual plasticity.
81
201000
2000
da plasticidade visual.
03:38
And these two missions, as you can tell,
82
203000
3000
E estas duas missões, como podem ver,
03:41
thread together perfectly. One adds to the other;
83
206000
3000
aliam-se perfeitamente, uma contribui para a outra.
03:44
in fact, one would be impossible without the other.
84
209000
3000
Na realidade, uma seria impossível sem a outra.
03:49
So, to implement
85
214000
2000
Por isso, para implementar
03:51
these twin missions,
86
216000
2000
estas missões gémeas,
03:53
a few years ago, I launched Project Prakash.
87
218000
3000
há alguns anos, eu lancei o Projecto Prakash.
03:56
Prakash, as many of you know,
88
221000
2000
Prakash, como muitos de vocês sabem,
03:58
is the Sanskrit word for light,
89
223000
2000
é a palavra em Sânscrito para luz,
04:00
and the idea is that
90
225000
2000
e a ideia é que
04:02
in bringing light into the lives of children,
91
227000
3000
ao trazer luz para a vida das crianças,
04:05
we also have a chance
92
230000
2000
nós também temos a hipótese
04:07
of shedding light on some of the
93
232000
2000
de trazer luz a alguns dos
04:09
deepest mysteries of neuroscience.
94
234000
3000
mistérios mais profundos da neurociência.
04:12
And the logo -- even though it looks extremely Irish,
95
237000
3000
E o logótipo, apesar de parecer extremamente Irlandês,
04:15
it's actually derived from
96
240000
2000
deriva, na realidade, do
04:17
the Indian symbol of Diya, an earthen lamp.
97
242000
4000
símbolo Indiano de Diya, uma lâmpada da terra.
04:21
The Prakash, the overall effort
98
246000
3000
A Prakash, o esforço geral
04:24
has three components:
99
249000
2000
tem três componentes,
04:26
outreach, to identify children in need of care;
100
251000
4000
de alcançar, de identificar crianças que precisam de cuidados,
04:30
medical treatment; and in subsequent study.
101
255000
3000
tratamento médico, e do subsequente estudo.
04:33
And I want to show you a short video clip
102
258000
3000
E eu quero mostrar-vos um pequeno videoclip
04:36
that illustrates the first two components of this work.
103
261000
3000
que ilustra os primeiros dois componentes deste trabalho.
04:41
This is an outreach station
104
266000
2000
Esta é uma estação à distância
04:43
conducted at a school for the blind.
105
268000
3000
coordenada numa escola para cegos.
04:46
(Text: Most of the children are profoundly and permanently blind ...)
106
271000
5000
(Texto: A maioria das crianças é profunda e permanentemente cega ...)
04:51
Pawan Sinha: So, because this is a school for the blind,
107
276000
5000
Pawan Sinha: Portanto, porque esta é uma escola para os cegos,
04:56
many children have permanent conditions.
108
281000
2000
muitas crianças têm condições permanentes.
04:58
That's a case of microphthalmos,
109
283000
3000
Este é um caso de microftalmia
05:01
which is malformed eyes,
110
286000
2000
que são olhos mal formados,
05:03
and that's a permanent condition;
111
288000
2000
e é uma condição permanente.
05:05
it cannot be treated.
112
290000
2000
Não pode ser tratada.
05:07
That's an extreme of micropthalmos
113
292000
2000
Esta é um caso extremo de microftalmia
05:09
called enophthalmos.
114
294000
2000
chamada enoftalmia.
05:11
But, every so often, we come across children
115
296000
2000
Mas, muito de vez em quando, nós encontramos crianças
05:13
who show some residual vision,
116
298000
3000
que demonstram alguma visão residual,
05:16
and that is a very good sign
117
301000
3000
e isso é um sinal muito bom
05:19
that the condition might actually be treatable.
118
304000
2000
que a condição poderá ser tratável.
05:21
So, after that screening, we bring the children to the hospital.
119
306000
3000
Por isso, depois do rastreio, trazemos a criança para o hospital.
05:24
That's the hospital we're working with in Delhi,
120
309000
2000
Este é o hospital onde trabalhamos em Deli,
05:26
the Schroff Charity Eye Hospital.
121
311000
3000
o Schroff Charity Eye Hospital (Hospital oftalmológico)
05:29
It has a very well-equipped
122
314000
2000
Tem um centro pediátrico
05:31
pediatric ophthalmic center,
123
316000
3000
oftalmológico muito bem equipado
05:35
which was made possible in part
124
320000
2000
que foi tornado realidade, em parte,
05:37
by a gift from the Ronald McDonald charity.
125
322000
4000
pela doação da caridade do Ronald McDonald.
05:41
So, eating burgers actually helps.
126
326000
3000
Por isso, comer hambúrgueres ajuda, na realidade.
05:45
(Text: Such examinations allow us to improve
127
330000
2000
(Texto: Estas análises permitem-nos melhorar
05:47
eye-health in many children, and ...
128
332000
2000
a saúde oftalmológica de muitas crianças, e...
05:54
... help us find children who can participate in Project Prakash.)
129
339000
3000
... ajuda-nos a encontrar crianças que possam participar no Projeto Prakash.)
05:57
PS: So, as I zoom in to the eyes of this child,
130
342000
2000
PS: Portanto, quando eu foco nos olhos desta criança,
05:59
you will see the cause of his blindness.
131
344000
3000
vocês verão a causa da sua cegueira.
06:03
The whites that you see in the middle of his pupils
132
348000
3000
Os brancos que vêm no meio das suas pupilas
06:06
are congenital cataracts,
133
351000
3000
são cataratas congénitas,
06:09
so opacities of the lens.
134
354000
2000
portanto, opacidades do cristalino.
06:11
In our eyes, the lens is clear,
135
356000
3000
Nos nossos olhos, o cristalino é transparente,
06:14
but in this child, the lens has become opaque,
136
359000
2000
mas nesta criança, o cristalino tornou-se opaco,
06:16
and therefore he can't see the world.
137
361000
3000
e, por isso, ele não pode ver o mundo.
06:19
So, the child is given treatment. You'll see shots of the eye.
138
364000
3000
Por isso, trata-se a criança. Vocês vão ver fotos do olho.
06:22
Here's the eye with the opaque lens,
139
367000
2000
Aqui está o olho com o cristalino opaco,
06:24
the opaque lens extracted
140
369000
2000
o cristalino opaco extraído
06:26
and an acrylic lens inserted.
141
371000
3000
e uma lente de cristalino em acrílico inserida.
06:29
And here's the same child
142
374000
2000
E aqui está a mesma criança
06:31
three weeks post-operation,
143
376000
3000
três semanas depois da operação,
06:34
with the right eye open.
144
379000
3000
com o olho direito aberto.
06:40
(Applause)
145
385000
6000
(Aplausos)
06:46
Thank you.
146
391000
2000
Obrigado.
06:48
So, even from that little clip, you can begin to get the sense
147
393000
3000
Por isso, mesmo através daquele pequeno vídeo, podem começar a compreender
06:51
that recovery is possible,
148
396000
2000
que a recuperação é possível,
06:53
and we have now
149
398000
2000
e até agora
06:55
provided treatment to over 200 children,
150
400000
3000
providenciámos tratamento a mais de 200 crianças,
06:58
and the story repeats itself.
151
403000
2000
e a história repete-se a si mesma.
07:00
After treatment, the child
152
405000
2000
Depois do tratamento, a criança
07:02
gains significant functionality.
153
407000
3000
ganha significativamente, funcionalidade.
07:05
In fact, the story holds true
154
410000
3000
De facto, a história mantém-se
07:08
even if you have a person who got sight
155
413000
2000
mesmo que tenham uma pessoa que recuperou a visão
07:10
after several years of deprivation.
156
415000
2000
depois de vários anos de privação.
07:12
We did a paper a few years ago
157
417000
2000
Nós escrevemos um artigo há alguns anos
07:14
about this woman that you see on the right, SRD,
158
419000
4000
acerca desta mulher que vêem à direita, SRD,
07:18
and she got her sight late in life,
159
423000
2000
e ela recuperou a visão tarde na vida,
07:20
and her vision is remarkable at this age.
160
425000
4000
e a sua visão é impressionante nesta idade.
07:24
I should add a tragic postscript to this --
161
429000
3000
Eu deveria adicionar uma nota trágica a isto.
07:27
she died two years ago
162
432000
2000
Ela morreu há dois anos
07:29
in a bus accident.
163
434000
2000
num acidente de autocarro.
07:31
So, hers is just a truly inspiring story --
164
436000
4000
Portanto, a história dela é uma história verdadeiramente inspiradora,
07:35
unknown, but inspiring story.
165
440000
3000
desconhecida, mas inspiradora.
07:38
So when we started finding these results,
166
443000
2000
Por isso, quando começámos a encontrar estes resultados,
07:40
as you might imagine, it created quite a bit of stir
167
445000
3000
como podem imaginar, criou uma considerável agitação
07:43
in the scientific and the popular press.
168
448000
3000
na imprensa científica e popular.
07:46
Here's an article in Nature
169
451000
2000
Aqui está um artigo na Nature
07:48
that profiled this work,
170
453000
2000
que descreveu este trabalho,
07:50
and another one in Time.
171
455000
2000
e um outro na Time.
07:52
So, we were fairly convinced -- we are convinced --
172
457000
2000
Portanto, estávamos bastante convencidos, estamos convencidos,
07:54
that recovery is feasible,
173
459000
2000
que a recuperação é exequível,
07:56
despite extended visual deprivation.
174
461000
3000
apesar de privação visual prolongada.
07:59
The next obvious question to ask:
175
464000
2000
A questão seguinte, óbvia, a colocar é:
08:01
What is the process of recovery?
176
466000
3000
qual é o processo de recuperação?
08:04
So, the way we study that is,
177
469000
3000
Portanto, a forma como estudamos isso,
08:07
let's say we find a child who has light sensitivity.
178
472000
2000
digamos que encontramos uma criança que tem sensibilidade à luz.
08:09
The child is provided treatment,
179
474000
2000
É providenciado tratamento à criança,
08:11
and I want to stress that the treatment
180
476000
2000
e eu quero enfatizar que o tratamento
08:13
is completely unconditional;
181
478000
2000
é completamente incondicional.
08:15
there is no quid pro quo.
182
480000
2000
Não existe quid pro quo (tomar uma coisa por outra).
08:17
We treat many more children then we actually work with.
183
482000
3000
Nós tratamos muito mais crianças do que aquelas com quem realmente trabalhamos.
08:20
Every child who needs treatment is treated.
184
485000
3000
Todas as crianças que precisam de tratamento são tratadas.
08:23
After treatment, about every week,
185
488000
2000
Depois de tratamento, mais ou menos todas as semanas,
08:25
we run the child
186
490000
2000
nós fazemos à criança
08:27
on a battery of simple visual tests
187
492000
3000
uma bateria de testes visuais simples
08:30
in order to see how their visual skills
188
495000
2000
de forma a ver como as suas competências visuais
08:32
are coming on line.
189
497000
2000
estão a progredir.
08:34
And we try to do this for as long as possible.
190
499000
3000
E tentemos fazer isto durante o maior tempo possível.
08:37
This arc of development
191
502000
2000
Este arco de desenvolvimento,
08:39
gives us unprecedented
192
504000
2000
dá-nos informação sem precedentes
08:41
and extremely valuable information
193
506000
2000
e extremamente valiosa
08:43
about how the scaffolding of vision
194
508000
2000
acerca de como a estrutura da visão
08:45
gets set up.
195
510000
2000
se desenvolve.
08:47
What might be the causal connections
196
512000
2000
Quais poderão ser as conexões causais
08:49
between the early developing skills
197
514000
2000
entre as competências desenvolvidas precocemente
08:51
and the later developing ones?
198
516000
2000
e as que se desenvolvem mais tarde?
08:53
And we've used this general approach to study
199
518000
2000
E utilizámos esta abordagem geral para estudar
08:55
many different visual proficiencies,
200
520000
3000
muitas proficiências visuais diferentes,
08:58
but I want to highlight one particular one,
201
523000
4000
mas eu quero enfatizar uma em particular,
09:02
and that is image parsing into objects.
202
527000
3000
e trata-se da análise de imagem para objectos.
09:05
So, any image of the kind that you see on the left,
203
530000
2000
Portanto, qualquer imagem do tipo da que vêem à esquerda,
09:07
be it a real image or a synthetic image,
204
532000
3000
seja uma imagem real, ou sintética,
09:10
it's made up of little regions
205
535000
2000
é feita de pequenas regiões
09:12
that you see in the middle column,
206
537000
2000
que vêem no meio da coluna,
09:14
regions of different colors, different luminances.
207
539000
3000
regiões de diferentes cores, diferentes luminosidades.
09:17
The brain has this complex task
208
542000
3000
O cérebro tem esta tarefa complexa
09:20
of putting together, integrating,
209
545000
3000
de juntar, integrar,
09:23
subsets of these regions
210
548000
2000
subdivisões destas regiões
09:25
into something that's more meaningful,
211
550000
2000
nalgo que tenha maior significado,
09:27
into what we would consider to be objects,
212
552000
2000
nalgo que consideremos objectos,
09:29
as you see on the right.
213
554000
2000
como podem ver à direita.
09:31
And nobody knows how this integration happens,
214
556000
2000
E ninguém sabe como esta integração ocorre.
09:33
and that's the question we asked with Project Prakash.
215
558000
4000
E essa é a questão que colocámos com o Projeto Prakash.
09:37
So, here's what happens
216
562000
2000
Por isso, aqui está o que acontece
09:39
very soon after the onset of sight.
217
564000
3000
logo depois do início da visão.
09:42
Here's a person who had gained sight just a couple of weeks ago,
218
567000
3000
Aqui está uma pessoa que recuperou a visão apenas há algumas semanas,
09:45
and you see Ethan Myers, a graduate student from MIT,
219
570000
3000
e vêem Ethan Myers, um estudante de graduação do MIT,
09:48
running the experiment with him.
220
573000
3000
a fazer a experiência nele.
09:51
His visual-motor coordination is quite poor,
221
576000
4000
A sua coordenação visuo-motora é bastante pobre,
09:55
but you get a general sense
222
580000
2000
mas conseguem ter uma sensação geral
09:57
of what are the regions that he's trying to trace out.
223
582000
3000
de quais serão as áreas do cérebro que ele está a tentar delinear.
10:00
If you show him real world images,
224
585000
2000
Se lhe mostrarem imagens reais do mundo,
10:02
if you show others like him real world images,
225
587000
3000
se mostrarem a outros como ele imagens reais do mundo,
10:05
they are unable to recognize most of the objects
226
590000
2000
eles são incapazes de reconhecer a maioria dos objectos
10:07
because the world to them is over-fragmented;
227
592000
3000
porque o seu mundo está sobre-fragmentado,
10:10
it's made up of a collage, a patchwork,
228
595000
3000
é feito de uma colagem, de uma manta de retalhos,
10:13
of regions of different colors and luminances.
229
598000
2000
de regiões de cores e luminosidades diferentes.
10:15
And that's what's indicated in the green outlines.
230
600000
2000
E isso é o que está indicado nas delimitações verdes.
10:17
When you ask them,
231
602000
2000
Quando lhes perguntam,
10:19
"Even if you can't name the objects, just point to where the objects are,"
232
604000
3000
mesmo que não consigas nomear os objectos, aponta apenas para onde os objetos estão.
10:22
these are the regions that they point to.
233
607000
2000
Estas são as regiões para onde eles apontam.
10:24
So the world is this complex
234
609000
2000
Portanto, o mundo é este complexo
10:26
patchwork of regions.
235
611000
2000
trabalho de retalhos [constituído por] regiões.
10:28
Even the shadow on the ball
236
613000
2000
Mesmo a sombra da bola
10:30
becomes its own object.
237
615000
3000
se torna um objecto em si.
10:33
Interestingly enough,
238
618000
2000
Interessantemente,
10:35
you give them a few months,
239
620000
2000
dão-lhes alguns meses,
10:37
and this is what happens.
240
622000
3000
e isto é o que acontece.
10:43
Doctor: How many are these?
241
628000
2000
Doutor: Quanto são estes?
10:45
Patient: These are two things.
242
630000
2000
Doente: Estes são duas coisas.
10:47
Doctor: What are their shapes?
243
632000
2000
Médico: Quais são as suas formas?
10:49
Patient: Their shapes ...
244
634000
2000
Doente: As suas formas ...
10:51
This one is a circle,
245
636000
3000
Esta é um círculo,
10:54
and this
246
639000
2000
e este
10:56
is a square.
247
641000
2000
é um quadrado.
10:58
PS: A very dramatic transformation has come about.
248
643000
3000
PS: Uma transformação muito dramática teve lugar.
11:01
And the question is:
249
646000
2000
E a questão é:
11:03
What underlies this transformation?
250
648000
2000
o que está subjacente a esta transformação?
11:05
It's a profound question,
251
650000
2000
É uma questão profunda,
11:07
and what's even more amazing is how simple
252
652000
2000
e o que é ainda mais impressionante é quão simples
11:09
the answer is.
253
654000
2000
a resposta é.
11:11
The answer lies in motion
254
656000
2000
A resposta jaz no movimento
11:13
and that's what I want to show you in the next clip.
255
658000
3000
e isso é o que vos quero mostrar no próximo vídeo.
11:18
Doctor: What shape do you see here?
256
663000
2000
Doutor: Que forma vês aqui?
11:20
Patient: I can't make it out.
257
665000
3000
Doente: Não a consigo distinguir.
11:28
Doctor: Now?
258
673000
2000
Doutor: Agora?
11:31
Patient: Triangle.
259
676000
2000
Doente: Triângulo.
11:35
Doctor: How many things are these?
260
680000
3000
Doutor: Quantas coisas estão aqui?
11:48
Now, how many things are these?
261
693000
3000
Agora, quantas estão aqui?
11:51
Patient: Two.
262
696000
2000
Doente: Duas.
11:53
Doctor: What are these things?
263
698000
2000
Doutor: Que coisas são estas?
11:56
Patient: A square and a circle.
264
701000
2000
Doente: Um quadrado e um círculo.
11:58
PS: And we see this pattern over and over again.
265
703000
3000
PS: E vemos este padrão uma e outra vez.
12:01
The one thing the visual system needs
266
706000
3000
A única coisa que o sistema visual precisa
12:04
in order to begin parsing the world
267
709000
2000
para começar a distinguir o mundo
12:06
is dynamic information.
268
711000
2000
é informação dinâmica.
12:08
So the inference we are deriving from this,
269
713000
2000
Portanto, a inferência que retiramos disto,
12:10
and several such experiments,
270
715000
2000
e de várias experiências semelhantes,
12:12
is that dynamic information processing,
271
717000
2000
é que o processamento dinâmico de informação,
12:14
or motion processing,
272
719000
2000
ou processamento de movimento,
12:16
serves as the bedrock for building
273
721000
2000
serve como a base para construir
12:18
the rest of the complexity of visual processing;
274
723000
4000
todo o resto da complexidade do processamento visual.
12:22
it leads to visual integration
275
727000
2000
Leva à integração visual
12:24
and eventually to recognition.
276
729000
3000
e eventualmente ao reconhecimento.
12:27
This simple idea has far reaching implications.
277
732000
3000
Esta ideia simples tem implicações muito mais abrangentes.
12:30
And let me just quickly mention two,
278
735000
3000
E deixem-me apenas mencionar duas.
12:33
one, drawing from the domain of engineering,
279
738000
2000
Uma, do domínio da engenharia,
12:35
and one from the clinic.
280
740000
2000
e uma da clínica.
12:37
So, from the perspective of engineering,
281
742000
2000
Portanto, da perspectiva da engenharia,
12:39
we can ask: Goven that we know
282
744000
3000
podemos perguntar, sabendo que sabemos
12:42
that motion is so important for the human visual system,
283
747000
2000
que o movimento é tão importante para o sistema visual humano,
12:44
can we use this as a recipe
284
749000
3000
podemos usar isto como uma receita
12:47
for constructing machine-based vision systems
285
752000
3000
para construir sistemas visuais baseados em máquinas
12:50
that can learn on their own, that don't need to be programmed
286
755000
3000
que possam aprender sozinhos, que não precisem de ser programados
12:53
by a human programmer?
287
758000
2000
por um programador humano.
12:55
And that's what we're trying to do.
288
760000
2000
E isso é o que estamos a tentar fazer.
12:57
I'm at MIT, at MIT you need to apply
289
762000
3000
Eu estou no MIT, no MIT têm de aplicar
13:00
whatever basic knowledge you gain.
290
765000
2000
todo o conhecimento básico que ganhem.
13:02
So we are creating Dylan,
291
767000
2000
Por isso, estamos a criar o Dylan,
13:04
which is a computational system
292
769000
2000
que é um sistema computacional
13:06
with an ambitious goal
293
771000
2000
com um objectivo ambicioso
13:08
of taking in visual inputs
294
773000
2000
de receber informação visual
13:10
of the same kind that a human child would receive,
295
775000
3000
do mesmo tipo que uma criança humana receberia,
13:13
and autonomously discovering:
296
778000
2000
e descobrir autonomamente
13:15
What are the objects in this visual input?
297
780000
3000
quais são os objectos nesta informação visual.
13:18
So, don't worry about the internals of Dylan.
298
783000
3000
Portanto, não se preocupem acerca do interior do Dylan.
13:21
Here, I'm just going to talk about
299
786000
3000
Aqui, só vou falar acerca de
13:24
how we test Dylan.
300
789000
2000
como testamos o Dylan.
13:26
The way we test Dylan is by giving it
301
791000
2000
A forma como testamos o Dylan é através de
13:28
inputs, as I said, of the same kind
302
793000
3000
estímulos, como eu disse, do mesmo tipo
13:31
that a baby, or a child in Project Prakash would get.
303
796000
3000
que um bebé, ou uma criança no Projeto Prakash receberia.
13:34
But for a long time we couldn't quite figure out:
304
799000
3000
Mas, durante muito tempo, nós não conseguíamos compreender
13:37
Wow can we get these kinds of video inputs?
305
802000
3000
como conseguimos obter estes tipos de estímulos de vídeo.
13:41
So, I thought,
306
806000
2000
Por isso, eu pensei,
13:43
could we have Darius
307
808000
2000
será que podíamos fazer o Darius
13:45
serve as our babycam carrier,
308
810000
3000
transportar a nossa câmara de bebés
13:48
and that way get the inputs that we feed into Dylan?
309
813000
3000
e, dessa forma, obter os estímulos que damos ao Dylan?
13:51
So that's what we did.
310
816000
2000
Portanto, foi isso que fizemos.
13:53
(Laughter)
311
818000
7000
(Risos)
14:00
I had to have long conversations with my wife.
312
825000
3000
Tive de ter uma longa conversa com a minha mulher.
14:03
(Laughter)
313
828000
5000
(Risos)
14:08
In fact, Pam, if you're watching this,
314
833000
2000
De facto, Pam, se estás a ver isto,
14:10
please forgive me.
315
835000
2000
por favor perdoa-me.
14:13
So, we modified the optics of the camera
316
838000
4000
Portanto, modificámos a ótica da câmara
14:17
in order to mimic the baby's visual acuity.
317
842000
3000
por forma a mimetizar a acuidade visual do bebé.
14:20
As some of you might know,
318
845000
2000
Como alguns de vós poderão saber,
14:22
babyies are born pretty much legally blind.
319
847000
4000
os bebés basicamente nascem legalmente cegos.
14:26
Their acuity -- our acuity is 20/20;
320
851000
3000
A sua acuidade -- a nossa acuidade é 20/20 --
14:29
babies' acuity is like 20/800,
321
854000
3000
a acuidade dos bebés é algo como 20/800,
14:32
so they are looking at the world
322
857000
2000
por isso, eles estão a olhar para o mundo
14:34
in a very, very blurry fashion.
323
859000
3000
de uma forma muito muito desfocada.
14:37
Here's what a baby-cam video looks like.
324
862000
3000
Aqui está como um vídeo de uma câmara de bebés se parece.
14:41
(Laughter)
325
866000
9000
(Risos)
14:50
(Applause)
326
875000
3000
(Aplausos)
14:53
Thankfully, there isn't any audio
327
878000
2000
Felizmente, não tem áudio
14:55
to go with this.
328
880000
3000
a acompanhar isto.
14:58
What's amazing is that working with such
329
883000
2000
O que é incrível, é que ao trabalhar com
15:00
highly degraded input,
330
885000
2000
estímulos tão degradados,
15:02
the baby, very quickly, is able
331
887000
2000
o bebé é capaz de, muito rapidamente,
15:04
to discover meaning in such input.
332
889000
3000
descobrir significado nesses estímulos.
15:07
But then two or three days afterward,
333
892000
2000
Mas, dois ou três dias depois,
15:09
babies begin to pay attention
334
894000
2000
os bebés começam a prestar atenção
15:11
to their mother's or their father's face.
335
896000
2000
às faces das suas mães e dos seus pais.
15:13
How does that happen? We want Dylan to be able to do that,
336
898000
3000
Como é que isso acontece? Nós queremos que o Dylan seja capaz de fazer isso.
15:16
and using this mantra of motion,
337
901000
3000
E utilizando este mantra de movimento,
15:19
Dylan actually can do that.
338
904000
2000
O Dylan pode realmente fazer isso,
15:21
So, given that kind of video input,
339
906000
3000
apesar de que com esse tipo de estimulação de vídeo,
15:24
with just about six or seven minutes worth of video,
340
909000
3000
com apenas seis ou sete minutos de vídeo,
15:27
Dylan can begin to extract patterns
341
912000
3000
o Dylan consegue começar a extrair padrões
15:30
that include faces.
342
915000
3000
que incluem caras.
15:33
So, it's an important demonstration
343
918000
2000
Portanto, é uma demonstração importante
15:35
of the power of motion.
344
920000
2000
do poder do movimento.
15:37
The clinical implication, it comes from the domain of autism.
345
922000
3000
A implicação clínica vem do domínio do autismo.
15:40
Visual integration has been associated with autism
346
925000
2000
A integração visual tem sido associada ao autismo
15:42
by several researchers.
347
927000
2000
por vários investigadores.
15:44
When we saw that, we asked:
348
929000
2000
Quando vimos isso, perguntámos:
15:46
Could the impairment in visual integration
349
931000
3000
Poderia a incapacidade na integração visual
15:49
be the manifestation of something underneath,
350
934000
3000
ser uma manifestação de algo subjacente
15:52
of dynamic information processing deficiencies in autism?
351
937000
3000
à dinâmica do processamento deficiente da informação no autismo.
15:55
Because, if that hypothesis were to be true,
352
940000
3000
Porque, se essa hipótese fosse verdade,
15:58
it would have massive repercussions in our understanding
353
943000
3000
teria repercussões massivas na nossa compreensão
16:01
of what's causing the many different aspects
354
946000
2000
do que causa os diferentes aspetos
16:03
of the autism phenotype.
355
948000
3000
do fenótipo do autismo.
16:06
What you're going to see are
356
951000
2000
O que vão ver são
16:08
video clips of two children -- one neurotypical,
357
953000
3000
clips de vídeo de duas crianças, uma neurotípica,
16:11
one with autism, playing Pong.
358
956000
2000
uma com autismo, a jogarem Pong.
16:13
So, while the child is playing Pong, we are tracking where they're looking.
359
958000
3000
Portanto, enquanto a criança joga Pong, nós estamos a registar para onde ela olha.
16:16
In red are the eye movement traces.
360
961000
3000
A vermelho, estão os traços dos movimentos oculares,
16:19
This is the neurotypical child, and what you see
361
964000
3000
esta é a criança neurotípica, e o que vêem
16:22
is that the child is able to make cues
362
967000
2000
é que a criança é capaz de usar deixas
16:24
of the dynamic information
363
969000
2000
da informação dinâmica
16:26
to predict where the ball is going to go.
364
971000
2000
para prever onde a bola irá.
16:28
Even before the ball gets to a place,
365
973000
3000
Mesmo antes de chegar a um sítio,
16:31
the child is already looking there.
366
976000
3000
a criança já está a olhar para lá.
16:34
Contrast this with a child
367
979000
2000
Contrastem isto com uma criança
16:36
with autism playing the same game.
368
981000
2000
com autismo a jogar o mesmo jogo.
16:38
Instead of anticipating,
369
983000
2000
Em vez de antecipar,
16:40
the child always follows where the ball has been.
370
985000
3000
a criança segue sempre onde a bola esteve.
16:43
The efficiency of the use
371
988000
2000
A eficiência do uso
16:45
of dynamic information
372
990000
2000
da informação dinâmica
16:47
seems to be significantly compromised in autism.
373
992000
3000
parece estar significativamente comprometida no autismo.
16:51
So we are pursuing this line of work
374
996000
3000
Por isso, estamos a perseguir esta linha de trabalho
16:54
and hopefully we'll have
375
999000
2000
e, esperançosamente, teremos
16:56
more results to report soon.
376
1001000
2000
mais resultados para divulgar em breve.
16:58
Looking ahead, if you think of this disk
377
1003000
3000
Olhando para o futuro, se pensarem neste disco
17:01
as representing all of the children
378
1006000
2000
como a representação de todas as crianças
17:03
we've treated so far,
379
1008000
2000
que tratámos até agora,
17:05
this is the magnitude of the problem.
380
1010000
2000
esta é a magnitude do problema.
17:07
The red dots are the children we have not treated.
381
1012000
3000
Os pontos vermelhos são as crianças que não tratámos.
17:10
So, there are many, many more children who need to be treated,
382
1015000
2000
Portanto, existem muitas, muitas mais crianças que precisam ser tratadas,
17:12
and in order to expand the scope of the project,
383
1017000
3000
e por forma a expandir o foco do projecto,
17:15
we are planning on launching
384
1020000
2000
estamos a planear o lançamento
17:17
The Prakash Center for Children,
385
1022000
2000
do Centro Prakash para Crianças,
17:19
which will have a dedicated pediatric hospital,
386
1024000
3000
o qual terá um hospital pediátrico dedicado,
17:22
a school for the children we are treating
387
1027000
2000
uma escola para as crianças que estamos a tratar,
17:24
and also a cutting-edge research facility.
388
1029000
2000
e também umas instalações de investigação de topo.
17:26
The Prakash Center will integrate health care,
389
1031000
3000
O centro Prakash irá integrar cuidados de saúde,
17:29
education and research in a way
390
1034000
2000
educação e investigação de uma forma
17:31
that truly creates the whole
391
1036000
2000
que cria realmente um todo
17:33
to be greater than the sum of the parts.
392
1038000
3000
que será maior que a soma das partes.
17:36
So, to summarize: Prakash, in its five years of existence,
393
1041000
3000
Portanto, para resumir, Prakash, nos seus cinco anos de existência,
17:39
it's had an impact in multiple areas,
394
1044000
3000
teve um impacto em múltiplas áreas,
17:42
ranging from basic neuroscience
395
1047000
2000
desde as neurociências base,
17:44
plasticity and learning in the brain,
396
1049000
2000
plasticidade e aprendizagem no cérebro,
17:46
to clinically relevant hypotheses like in autism,
397
1051000
4000
até às hipóteses clinicamente relevantes como no autismo,
17:50
the development of autonomous machine vision systems,
398
1055000
3000
o desenvolvimento de sistemas de visão em máquinas,
17:53
education of the undergraduate and graduate students,
399
1058000
3000
a educação de estudantes do primeiro e segundo ciclo do ensino superior,
17:56
and most importantly in the alleviation
400
1061000
2000
e, mais importante, no tratamento
17:58
of childhood blindness.
401
1063000
2000
da cegueira infantil.
18:00
And for my students and I, it's been
402
1065000
2000
E, para os meus estudantes e para mim,
18:02
just a phenomenal experience
403
1067000
2000
tem sido uma experiência fenomenal
18:04
because we have gotten to do interesting research,
404
1069000
4000
porque temos tido a oportunidade de realizar investigação interessante,
18:08
while at the same time
405
1073000
2000
e ao mesmo tempo
18:10
helping the many children that we have worked with.
406
1075000
2000
ajudar as muitas crianças com quem temos trabalhado.
18:12
Thank you very much.
407
1077000
2000
Muito obrigado.
18:14
(Applause)
408
1079000
2000
(Aplausos)
ABOUT THE SPEAKER
Pawan Sinha - Visual neuroscientistPawan Sinha researches how our brains interpret what our eyes see -- and uses that research to give blind children the gift of sight.
Why you should listen
At Pawan Sinha's MIT lab, he and his team spend their days trying to understand how the brain learns to recognize and use the patterns and scenes we see around us. To do this, they often use computers to model the processes of the human brain, but they also study human subjects, some of whom are seeing the world for the very first time and can tell them about the experience as it happens. They find these unusual subjects through the humanitarian branch of their research, Project Prakash.
Project Prakash sets up eye-care camps in some of the most habitually underserved regions of India, and gives free eye-health screenings to, since 2003, more than 700 functionally blind children. The children are then treated without charge, even if they do not fit the profile that would make them eligible for Sinha's research.
Sinha's eventual goal is to help 500 children each year; plans are under way for a center for visual rehabilitation in new Delhi. The special relationship that Sinha has created between research and humanitarianism promises to deliver on both fronts.
Pawan Sinha | Speaker | TED.com