TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Квабена Боахен рассказывает о компьютере, который работает по принципу мозга
Filmed:
Readability: 4.2
718,375 views
Исследователь Квабена Боахен ищет пути повторения в силиконе колоссальной вычислительной мощности человеческого мозга, поскольку изучение беспорядочных, характеризующихся высокой избыточностью процессов, протекающих в голове человека, даёт реальный толчок для создания небольшого, лёгкого и супер быстрого компьютера.
Kwabena Boahen - Bioengineer
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Kwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings. Full bio
Double-click the English transcript below to play the video.
00:18
I got my first computer when I was a teenager growing up in Accra,
0
0
5000
Я получил свой первый компьютер,
когда был ещё подростком и жил в Аккре,
когда был ещё подростком и жил в Аккре,
00:23
and it was a really cool device.
1
5000
3000
и это была реально крутая машина.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
На нем можно было играть в компьютерные игры,
можно было программировать на Бейсике.
можно было программировать на Бейсике.
00:31
And I was fascinated.
3
13000
2000
Я был просто очарован.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
И пошёл в библиотеку, чтобы выяснить,
как эта штука работает.
как эта штука работает.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
Я прочёл о том, как центральный процессор
постоянно пересылает туда-обратно данные,
постоянно пересылает туда-обратно данные,
00:44
between the memory, the RAM and the ALU,
6
26000
4000
которыми обмениваются память, ОЗУ и АЛУ,
00:48
the arithmetic and logic unit.
7
30000
2000
арифметическо-логическое устройство.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
И я подумал про себя, что этот ЦП должен
работать просто как сумасшедший только для того,
работать просто как сумасшедший только для того,
00:54
just to keep all this data moving through the system.
9
36000
4000
чтобы поддерживать передачу
по системе всех этих данных.
по системе всех этих данных.
00:58
But nobody was really worried about this.
10
40000
3000
Но никого это особо не волновало.
01:01
When computers were first introduced,
11
43000
2000
Когда компьютеры впервые появились, было сказано,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
что они функционируют в миллион раз быстрее,
чем нейроны.
чем нейроны.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
И люди были полны энтузиазма, они думали,
01:11
the capacity of the brain.
14
53000
3000
что вскоре смогут превзойти
возможности человеческого мозга.
возможности человеческого мозга.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Вот подлинная цитата из Алана Тюринга:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
«Через 30 лет задать вопрос компьютеру
будет так же просто,
будет так же просто,
01:21
as to ask a person."
17
63000
2000
как задать вопрос человеку».
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Это было сказано в 1946 году.
И сейчас, в 2007, это всё ещё не так.
И сейчас, в 2007, это всё ещё не так.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Вопрос состоит в том, почему мы не получаем
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
от компьютеров той производительности,
которую демонстрирует мозг?
которую демонстрирует мозг?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
Чего люди не осознавали, и что я сам
начинаю понимать только сейчас,
начинаю понимать только сейчас,
01:42
is that we pay a huge price for the speed
22
84000
2000
так это то, что мы платим
огромную цену за эту скорость,
огромную цену за эту скорость,
01:44
that we claim is a big advantage of these computers.
23
86000
4000
которую мы декларировали
как огромное преимущество компьютеров.
как огромное преимущество компьютеров.
01:48
Let's take a look at some numbers.
24
90000
2000
Давайте взглянем на некоторые цифры.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Это Blue Gene, самый быстрый компьютер в мире.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
Он содержит 120 000 процессоров,
которые в штатном режиме могут обрабатывать
которые в штатном режиме могут обрабатывать
01:59
10 quadrillion bits of information per second.
27
101000
3000
10 квадриллионов бит информации в секунду.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Это 10 в 16-й степени. И они потребляют
мощность в полтора мегаватта.
мощность в полтора мегаватта.
02:09
So that would be really great, if you could add that
29
111000
3000
Было бы просто великолепно,
если бы мы могли увеличить на этот объем
если бы мы могли увеличить на этот объем
02:12
to the production capacity in Tanzania.
30
114000
2000
производство электроэнергии в Танзании.
02:14
It would really boost the economy.
31
116000
2000
Это был бы просто экономический взрыв.
02:16
Just to go back to the States,
32
118000
4000
Если вернуться к Соединённым Штатам,
02:20
if you translate the amount of power or electricity
33
122000
2000
и перевести количество электрической энергии,
02:22
this computer uses to the amount of households in the States,
34
124000
3000
которое потребляет этот компьютер,
в количество домохозяйств в Штатах,
в количество домохозяйств в Штатах,
02:25
you get 1,200 households in the U.S.
35
127000
4000
мы получим 1 200 домохозяйств в США.
02:29
That's how much power this computer uses.
36
131000
2000
Именно такое количество электроэнергии
потребляет этот компьютер.
потребляет этот компьютер.
02:31
Now, let's compare this with the brain.
37
133000
3000
Теперь давайте сравним это с мозгом.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Вот изображение мозга девушки Рори Сэйреса.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Рори — аспирант в Стэнфорде.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Он изучает мозг при помощи МРТ, и он утверждает,
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
что это самый красивый мозг,
который ему когда-либо приходилось сканировать.
который ему когда-либо приходилось сканировать.
02:48
(Laughter)
42
150000
2000
(Смех)
02:50
So that's true love, right there.
43
152000
3000
Вот что значит подлинная любовь.
02:53
Now, how much computation does the brain do?
44
155000
3000
Итак, какой объем вычислений выполняет мозг?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Я оцениваю эту величину
в 10 в 16-й степени бит в секунду,
в 10 в 16-й степени бит в секунду,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
что примерно соответствует
производительности Blue Gene.
производительности Blue Gene.
03:02
So that's the question. The question is, how much --
47
164000
2000
И вот — вопрос.
Вопрос состоит в том, сколько —
Вопрос состоит в том, сколько —
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
они выполняют аналогичный объем обработки,
одинаковый объем данных —
одинаковый объем данных —
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
вопрос состоит в том,
сколько электрической энергии потребляет мозг?
сколько электрической энергии потребляет мозг?
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Реально — столько же,
сколько ваш портативный компьютер:
сколько ваш портативный компьютер:
03:15
it's just 10 watts.
51
177000
2000
всего лишь 10 ватт.
03:17
So what we are doing right now with computers
52
179000
3000
Итак, те задачи, которые мы сейчас
решаем при помощи компьютеров,
решаем при помощи компьютеров,
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
потребляющих энергию,
которой хватило бы на 1 200 домов,
которой хватило бы на 1 200 домов,
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
мозг решает, используя количество энергии,
потребляемое вашим ноутбуком.
потребляемое вашим ноутбуком.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Вопрос состоит в том, как мозгу удаётся
достичь такого уровня производительности?
достичь такого уровня производительности?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Давайте подведём итог. Нижняя кривая:
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
мозг обрабатывает информацию,
используя в 100 000 раз меньше энергии,
используя в 100 000 раз меньше энергии,
03:37
than we do right now with this computer technology that we have.
58
199000
4000
чем мы с имеющимися компьютерными технологиями.
03:41
How is the brain able to do this?
59
203000
2000
Как мозгу удаётся добиться такого результата?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Давайте рассмотрим кратко, как функционирует мозг,
03:46
and then I'll compare that with how computers work.
61
208000
4000
а затем сравним это с тем, как работает компьютер.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Это клип взят из сериала PBS «Тайная жизнь мозга».
03:54
It shows you these cells that process information.
63
216000
3000
В нем показаны клетки,
которые выполняют обработку информации.
которые выполняют обработку информации.
03:57
They are called neurons.
64
219000
1000
Они называются нейронами.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
Через отростки они посылают друг другу
слабые электрические импульсы,
слабые электрические импульсы,
04:04
and where they contact each other, those little pulses
66
226000
2000
и там, где отростки соприкасаются
друг с другом, эти слабые импульсы
друг с другом, эти слабые импульсы
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
электричества могут перейти
от одного нейрона к другому.
от одного нейрона к другому.
04:08
That process is called a synapse.
68
230000
3000
Этот процесс называется синапс.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
У вас есть эта огромная сеть
взаимодействующих друг с другом клеток,
взаимодействующих друг с другом клеток,
04:13
about 100 million of them,
70
235000
2000
их примерно 100 миллионов,
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
которые посылают 10 квадриллионов
таких импульсов каждую секунду.
таких импульсов каждую секунду.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
И это, в сущности, то, что происходит
в вашем мозгу сейчас, когда вы слушаете эту лекцию.
в вашем мозгу сейчас, когда вы слушаете эту лекцию.
04:25
How does that compare with the way computers work?
73
247000
2000
Как это соотносится с тем, как работает компьютер?
04:27
In the computer, you have all the data
74
249000
2000
В компьютере все данные
04:29
going through the central processing unit,
75
251000
2000
проходят через центральный процессор,
поэтому любая часть данных
поэтому любая часть данных
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
изначально вынуждена пройти
через это «бутылочное горлышко».
через это «бутылочное горлышко».
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
В то же время, в мозгу есть только эти нейроны
04:38
and the data just really flows through a network of connections
78
260000
4000
и поток данных просто проходит
через сеть, образованную связями
через сеть, образованную связями
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
между нейронами,
поэтому здесь просто нет узкого места.
поэтому здесь просто нет узкого места.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Это действительно сеть
в буквальном смысле этого слова.
в буквальном смысле этого слова.
04:48
The net is doing the work in the brain.
81
270000
4000
Эта сеть и выполняет всю работу мозга.
04:52
If you just look at these two pictures,
82
274000
2000
Если вы просто посмотрите на эти две картинки,
04:54
these kind of words pop into your mind.
83
276000
2000
вам на ум придут именно такие слова.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Это — последовательная передача данных
и такая система не гибкая:
как движение машин на автостраде —
и такая система не гибкая:
как движение машин на автостраде —
05:00
everything has to happen in lockstep --
85
282000
3000
всё происходит в строго установленном порядке.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Тогда как это — система параллельной передачи
и она напоминает поток.
и она напоминает поток.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Обработка информации
очень динамичная и адаптивная.
очень динамичная и адаптивная.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
И я не первый, кто понял это.
Вот цитата из Брайана Эно:
Вот цитата из Брайана Эно:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
«Проблема компьютеров состоит в том,
что в них недостаточно Африки».
что в них недостаточно Африки».
05:16
(Laughter)
90
298000
6000
(Смех)
05:22
Brian actually said this in 1995.
91
304000
3000
Брайан сказал это в 1995 году.
05:25
And nobody was listening then,
92
307000
3000
Тогда его никто не слушал,
05:28
but now people are beginning to listen
93
310000
2000
но сейчас люди начинают прислушиваться к его словам,
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
потому что появилась необходимость,
мы столкнулись с технологической проблемой.
мы столкнулись с технологической проблемой.
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Я немного познакомлю вас с ней
в нескольких следующих слайдах.
в нескольких следующих слайдах.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Проблема в этом — действительно прослеживается
заметное сходство между устройствами,
заметное сходство между устройствами,
05:44
between the devices that we use to compute in computers,
97
326000
5000
которые мы используем
для выполнения вычислений в компьютерах,
для выполнения вычислений в компьютерах,
05:49
and the devices that our brains use to compute.
98
331000
4000
и теми элементами,
которые используются для этой цели мозгом.
которые используются для этой цели мозгом.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
В компьютерах используется то,
что называется транзистором.
что называется транзистором.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Вот этот электрод, называемый затвором,
контролирует протекание тока
контролирует протекание тока
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
от истока к стоку, вот эти два электрода.
06:04
And that current, electrical current,
102
346000
2000
И этот поток, электрический ток,
переносится электронами,
переносится электронами,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
точно так же, как у вас дома, ну и всё такое.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
А в нашем случае происходит так:
когда вы открываете затвор,
когда вы открываете затвор,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
ток увеличивается,
и вы получаете устойчивое протекание тока.
и вы получаете устойчивое протекание тока.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
А когда вы закрываете затвор,
ток через устройство не протекает.
ток через устройство не протекает.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
В компьютере наличие тока
используется для обозначения единицы,
используется для обозначения единицы,
06:30
and the absence of current to represent a zero.
108
372000
4000
а его отсутствие — для обозначения нуля.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Сейчас же происходит вот что:
транзисторы становятся меньше и меньше и меньше,
транзисторы становятся меньше и меньше и меньше,
06:40
they no longer behave like this.
110
382000
2000
и они уже не ведут себя подобным образом.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Фактически, они начинают вести себя так же, как
элемент, который нейроны используют для вычислений,
элемент, который нейроны используют для вычислений,
06:47
which is called an ion channel.
112
389000
2000
он называется ионный канал.
06:49
And this is a little protein molecule.
113
391000
2000
Вот маленькая молекула протеина.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Я хотел сказать, в нейронах их тысячи.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Она находится в клеточной мембране и в ней есть по́ра.
06:59
And these are individual potassium ions
116
401000
3000
А вот это — отдельные ионы калия,
07:02
that are flowing through that pore.
117
404000
2000
которые проходят через это отверстие.
07:04
Now, this pore can open and close.
118
406000
2000
Так вот, эта по́ра может открываться и закрываться.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Но, когда она открыта, поскольку ионы вынуждены
выстроиться в очередь и проходить по одному,
выстроиться в очередь и проходить по одному,
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
мы получим нечто вроде спорадичного,
а не постоянного потока —
а не постоянного потока —
07:16
it's a sporadic flow of current.
121
418000
3000
это спорадичное протекание электрического тока.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
А если закрыть это отверстие —
нейроны могут делать это,
нейроны могут делать это,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
они могут открывать и закрывать эти поры,
чтобы генерировать электрическую активность —
чтобы генерировать электрическую активность —
07:27
even when it's closed, because these ions are so small,
124
429000
3000
даже если отверстие закрыто,
поскольку ионы крайне малы,
поскольку ионы крайне малы,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
они могут «пробраться» внутрь,
за один раз могут пройти несколько штук.
за один раз могут пройти несколько штук.
07:33
So, what you have is that when the pore is open,
126
435000
3000
В итоге мы имеем следующее: когда по́ра открыта,
07:36
you get some current sometimes.
127
438000
2000
время от времени проходит некоторый ток.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Вот наша единица, но в неё попали несколько нулей.
07:41
And when it's closed, you have a zero,
129
443000
4000
А когда по́ра закрыта, мы получаем ноль,
07:45
but you have a few ones thrown in.
130
447000
3000
но в него попали несколько единиц, ну, ладно.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Сейчас этот эффект начинает
наблюдаться и в транзисторах.
наблюдаться и в транзисторах.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
И причина, по которой это происходит,
состоит в том, что сейчас, в 2007 году,
состоит в том, что сейчас, в 2007 году,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
по технологии, которую мы используем,
транзистор достаточно большой,
транзистор достаточно большой,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
чтобы несколько электронов могли
пройти сквозь канал одновременно, рядом.
пройти сквозь канал одновременно, рядом.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
Фактически, таким способом
могут пройти примерно 12 электронов.
могут пройти примерно 12 электронов.
08:09
And that means that a transistor corresponds
136
471000
2000
И это означает, что транзистор соответствует
08:11
to about 12 ion channels in parallel.
137
473000
3000
примерно 12 ионным каналам,
расположенным параллельно.
расположенным параллельно.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Но через несколько лет, к 2015 году,
мы существенно уменьшим размеры транзистора.
мы существенно уменьшим размеры транзистора.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Именно это делает компания Intel,
чтобы постоянно увеличивать число ядер в чипе.
чтобы постоянно увеличивать число ядер в чипе.
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
Стоящие у вас микросхемы памяти
могут хранить один гигабайт данных —
могут хранить один гигабайт данных —
08:27
of stuff on them -- before, it was 256.
141
489000
2000
раньше это было 256 мегабайт.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Чтобы получить такой результат
транзисторы делаются всё меньше,
транзисторы делаются всё меньше,
08:32
and technology has really benefitted from that.
143
494000
3000
и это дало существенные
технологические преимущества.
технологические преимущества.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Но сейчас всё идёт к тому, что в 2015 году
транзистор станет настолько маленьким,
транзистор станет настолько маленьким,
08:40
that it corresponds to only one electron at a time
145
502000
3000
что за один раз всего один электрон
08:43
can flow through that channel,
146
505000
2000
сможет пройти через канал,
08:45
and that corresponds to a single ion channel.
147
507000
2000
а это соответствует единичному ионному каналу.
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
И появятся те же заторы,
которые наблюдаются в ионном канале,
которые наблюдаются в ионном канале,
08:51
The current will turn on and off at random,
149
513000
3000
ток будет появляться и исчезать случайным образом,
08:54
even when it's supposed to be on.
150
516000
2000
даже тогда, когда он должен быть постоянным.
08:56
And that means your computer is going to get
151
518000
2000
А это означает, что ваш компьютер будет получать
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
нули и единицы вперемешку,
и вашей машине придёт конец.
и вашей машине придёт конец.
09:02
So, we are at the stage where we
153
524000
4000
Итак, мы сейчас находимся на той стадии,
когда мы на самом деле не знаем,
когда мы на самом деле не знаем,
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
как выполнять вычисления
при помощи подобных устройств.
при помощи подобных устройств.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
И единственный тип, единственное устройство,
известное в настоящее время,
известное в настоящее время,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
которое может выполнять вычисления
при помощи подобных элементов, это — мозг.
при помощи подобных элементов, это — мозг.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Итак, компьютер извлекает
определённую единицу данных из памяти
определённую единицу данных из памяти
09:19
it sends it into the processor or the ALU,
158
541000
3000
и пересылает её в процессор или АЛУ,
09:22
and then it puts the result back into memory.
159
544000
2000
а затем записывает результат обратно в память.
09:24
That's the red path that's highlighted.
160
546000
2000
Это обозначенные красным, выделенные связи.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
При работе мозга задействованы все эти нейроны.
09:30
And the way they represent information is
162
552000
2000
И способ представления информации таков:
09:32
they break up that data into little pieces
163
554000
2000
все данные разбиваются на небольшие элементы,
09:34
that are represented by pulses and different neurons.
164
556000
3000
которые представляются
в виде импульсов на разных нейронах.
в виде импульсов на разных нейронах.
09:37
So you have all these pieces of data
165
559000
2000
Таким образом, все эти элементы данных оказываются
09:39
distributed throughout the network.
166
561000
2000
распределёнными по сети.
09:41
And then the way that you process that data to get a result
167
563000
3000
И далее способ обработки данных
для получения результата таков:
для получения результата таков:
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
эта картина активности
трансформируется в новую картину активности
трансформируется в новую картину активности
09:48
just by it flowing through the network.
169
570000
3000
просто в процессе прохождения по сети.
09:51
So you set up these connections
170
573000
2000
Итак, вы просто устанавливаете эти связи
09:53
such that the input pattern just flows
171
575000
3000
таким образом,
что некая исходная структура проходит по ним
что некая исходная структура проходит по ним
09:56
and generates the output pattern.
172
578000
2000
и в результате получаем новую, конечную структуру.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Вы здесь видите, что есть избыточные соединения.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Поэтому, если эта часть данных
или эта часть данных будет повреждена,
или эта часть данных будет повреждена,
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
это не проявится здесь, эти два участка
могут активировать недостающую часть
могут активировать недостающую часть
10:11
with these redundant connections.
176
593000
2000
вот этими избыточными связями.
10:13
So even when you go to these crappy devices
177
595000
2000
Поэтому, даже если мы имеем дело
с этими паршивыми элементами,
с этими паршивыми элементами,
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
в которых время от времени
получаем ноль вместо единицы,
получаем ноль вместо единицы,
10:18
there's redundancy in the network
179
600000
2000
в сети имеется избыточность,
10:20
that can actually recover the missing information.
180
602000
3000
которая позволяет
восстановить недостающую информацию.
восстановить недостающую информацию.
10:23
It makes the brain inherently robust.
181
605000
3000
Это делает работу мозга изначально надёжной.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Здесь мы имеем систему,
в которой данные хранятся локально.
в которой данные хранятся локально.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
И она ненадёжна, поскольку должна
безупречно функционировать на каждом этапе,
безупречно функционировать на каждом этапе,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
иначе данные будут потеряны.
В то же время мозг представляет собой систему,
В то же время мозг представляет собой систему,
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
в которой данные хранятся
распределённо, и это — надёжная система.
распределённо, и это — надёжная система.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Главное, о чем я хотел рассказать,
это моя мечта создать компьютер,
это моя мечта создать компьютер,
10:44
which is to build a computer that works like the brain.
187
626000
3000
который работает по принципу мозга.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Это то, над чем мы работаем последние несколько лет.
10:51
And I'm going to show you a system that we designed
189
633000
3000
И я хочу показать вам систему,
10:54
to model the retina,
190
636000
3000
которую мы создали для моделирования сетчатки глаза.
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
Это — часть мозга, расположенная
сразу за внутренней частью глазного яблока.
сразу за внутренней частью глазного яблока.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Для этого мы не писали программ,
как это обычно делается при работе на компьютере.
как это обычно делается при работе на компьютере.
11:08
In fact, the processing that happens
193
650000
3000
Фактически процессы, которые протекают
11:11
in that little piece of brain is very similar
194
653000
2000
в этом небольшом участке мозга,
11:13
to the kind of processing that computers
195
655000
1000
очень напоминают процессы,
протекающие в компьютерах
протекающие в компьютерах
11:14
do when they stream video over the Internet.
196
656000
4000
при пересылке видео по Internet.
11:18
They want to compress the information --
197
660000
1000
Они стремятся сжать информацию —
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
стремятся передавать
только изменения, только новую часть изображения —
только изменения, только новую часть изображения —
11:23
and that is how your eyeball
199
665000
3000
и именно таким образом глазному яблоку
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
удаётся «втиснуть»
всю информацию в зрительный нерв
всю информацию в зрительный нерв
11:29
to send to the rest of the brain.
201
671000
2000
для пересылки её в другие участки мозга.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Вместо того, чтобы писать программы
или разрабатывать соответствующие алгоритмы,
или разрабатывать соответствующие алгоритмы,
11:34
we went and talked to neurobiologists
203
676000
3000
мы отправились на беседу к нейробиологам,
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
которые фактически в обратном порядке
спроектировали модель
этого участка мозга, называемого сетчаткой.
спроектировали модель
этого участка мозга, называемого сетчаткой.
11:41
And they figured out all the different cells,
205
683000
2000
Они изучили все разнообразные типы клеток,
11:43
and they figured out the network, and we just took that network
206
685000
3000
они изучили структуру нейронной сети,
а мы просто взяли эту сеть
а мы просто взяли эту сеть
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
и использовали её
как схему для создания силиконового чипа.
как схему для создания силиконового чипа.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
В этом чипе нейроны
представлены небольшими узлами или цепями,
представлены небольшими узлами или цепями,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
а связи между нейронами
моделируются транзисторами.
моделируются транзисторами.
12:01
And these transistors are behaving essentially
210
703000
2000
И эти транзисторы ведут себя практически так же,
12:03
just like ion channels behave in the brain.
211
705000
3000
как ионные каналы в мозгу.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Я покажу вам такую же
надёжную архитектуру, как та, что я описывал.
надёжную архитектуру, как та, что я описывал.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Вот как реально выглядит наш искусственный глаз.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Созданный нами моделирующий сетчатку чип
установлен позади этой линзы.
установлен позади этой линзы.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
И этот чип — я покажу вам видео,
12:22
that the silicon retina put out of its output
216
724000
3000
в котором было заснято изображение,
полученное на силиконовой сетчатке
полученное на силиконовой сетчатке
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
в то время, когда чип «рассматривал» Карима Заглоу,
12:28
who's the student who designed this chip.
218
730000
2000
студента, который его сконструировал.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Позвольте, я объясню вам,
что вы сейчас увидите. Хорошо?
что вы сейчас увидите. Хорошо?
12:32
because it's putting out different kinds of information,
220
734000
3000
Поскольку чип выдаёт информацию разного рода,
12:35
it's not as straightforward as a camera.
221
737000
2000
он не настолько прямолинеен, как камера.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Чип, моделирующий сетчатку,
выделяет четыре различных типа информации.
выделяет четыре различных типа информации.
12:40
It extracts regions with dark contrast,
223
742000
3000
Он выделяет области с тёмной контрастностью,
12:43
which will show up on the video as red.
224
745000
3000
которые на видео показаны красным цветом.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
И он выделяет области
с белой или светлой контрастностью,
с белой или светлой контрастностью,
12:50
which will show up on the video as green.
226
752000
2000
которые на видео показаны зелёным цветом.
12:52
This is Kareem's dark eyes
227
754000
2000
Вот — тёмные глаза Карима,
12:54
and that's the white background that you see here.
228
756000
3000
а вот — светлый фон, который вы видите здесь.
12:57
And then it also extracts movement.
229
759000
2000
А затем он также выделяет движение.
12:59
When Kareem moves his head to the right,
230
761000
2000
Когда Карим двигает головой вправо,
13:01
you will see this blue activity there;
231
763000
2000
вы видите активизацию синего цвета,
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
он представляет области изображения,
в которых контрастность увеличивается,
в которых контрастность увеличивается,
13:06
that's where it's going from dark to light.
233
768000
3000
где есть переход от тёмного к светлому.
13:09
And you also see this yellow activity,
234
771000
2000
И вы также видите это
увеличение активности жёлтого цвета,
увеличение активности жёлтого цвета,
13:11
which represents regions where contrast is decreasing;
235
773000
4000
он представляет области,
в которых контрастность уменьшается,
в которых контрастность уменьшается,
13:15
it's going from light to dark.
236
777000
2000
переходит от высокой к низкой.
13:17
And these four types of information --
237
779000
3000
И эти четыре типа информации —
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
ваш зрительный нерв
содержит около миллиона волокон,
содержит около миллиона волокон,
13:24
and 900,000 of those fibers
239
786000
3000
и 900 000 из этих волокон
13:27
send these four types of information.
240
789000
2000
передают эти четыре вида информации.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Таким образом, мы действительно дублируем типы
сигналов, которые поступают на зрительный нерв.
сигналов, которые поступают на зрительный нерв.
13:33
What you notice here is that these snapshots
242
795000
3000
Здесь явно заметно, что эти снимки,
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
сделанные на выходе
моделирующего сетчатку чипа, весьма разреженные.
моделирующего сетчатку чипа, весьма разреженные.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Зелёный цвет не заполняет полностью весь фон,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
а расположен только по контуру и т.д.
13:45
And this is the same thing you see
246
807000
1000
То же самое вы увидите и в том случае,
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
когда люди сжимают видео для пересылки:
они стараются сделать его очень разреженным,
они стараются сделать его очень разреженным,
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
поскольку такой файл занимает меньше места.
И именно это делает сетчатка,
И именно это делает сетчатка,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
и она проделывает это с помощью
одной лишь своей структуры, как эта сеть нейронов,
одной лишь своей структуры, как эта сеть нейронов,
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
взаимодействующих на этом участке,
которую мы повторили в нашем чипе.
которую мы повторили в нашем чипе.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Но главное, что я хотел доказать,
я продемонстрирую вам сейчас.
я продемонстрирую вам сейчас.
14:03
So this image here is going to look like these ones,
252
825000
3000
Итак, вот это изображение
скоро будет выглядеть так же, как и эти,
скоро будет выглядеть так же, как и эти,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
но здесь я покажу вам,
что мы можем реконструировать изображение,
что мы можем реконструировать изображение,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
вот, вы видите, уже почти можно
узнать Карима на этом верхнем участке.
узнать Карима на этом верхнем участке.
14:13
And so, here you go.
255
835000
2000
Вот, получилось.
14:24
Yes, so that's the idea.
256
846000
3000
Да, и в этом идея.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Когда вы стоите неподвижно
вы видите только светлые и тёмные контрасты.
вы видите только светлые и тёмные контрасты.
14:29
But when it's moving back and forth,
258
851000
2000
Но когда есть движение взад и вперёд,
14:31
the retina picks up these changes.
259
853000
3000
сетчатка воспринимает эти изменения.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
И именно поэтому, вы знаете, когда вы здесь сидите
14:35
and something happens in your background,
261
857000
2000
и что-то происходит в вашем поле зрения,
14:37
you merely move your eyes to it.
262
859000
2000
вы просто переводите взгляд.
14:39
There are these cells that detect change
263
861000
2000
Есть специальные клетки,
которые фиксируют изменения,
которые фиксируют изменения,
14:41
and you move your attention to it.
264
863000
2000
и вы переносите внимание в эту зону.
14:43
So those are very important for catching somebody
265
865000
2000
Поэтому эти клетки очень важны, чтобы заметить того,
14:45
who's trying to sneak up on you.
266
867000
2000
кто пытается подкрасться к вам незамеченным.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Позвольте мне в завершение
рассказать о том, что получится,
рассказать о том, что получится,
14:50
when you put Africa in a piano, OK.
268
872000
3000
если добавить Африку в фортепиано. Ладно?
14:53
This is a steel drum here that has been modified,
269
875000
3000
Это стальной барабан, который несколько видоизменен,
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
и это именно то, что происходит,
если добавить Африку в фортепиано.
если добавить Африку в фортепиано.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
И я бы очень хотел,
чтобы мы добавили Африку в компьютер,
чтобы мы добавили Африку в компьютер,
15:03
and come up with a new kind of computer
272
885000
2000
и создали новый тип компьютера,
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
который будет мыслить, фантазировать,
обладать творческими способностями и т.п.
обладать творческими способностями и т.п.
15:08
Thank you.
274
890000
2000
Благодарю за внимание.
15:10
(Applause)
275
892000
2000
(Аплодисменты)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Крис Андерсон: Вопрос к вам, Квабена.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Вы как-то связываете работу, которую вы выполняете,
15:18
the future of Africa, this conference --
278
900000
3000
будущее Африки, эту конференцию —
15:21
what connections can we make, if any, between them?
279
903000
3000
какую связь можно установить между ними,
если таковая вообще существует?
если таковая вообще существует?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Квабена Боахен: Да, как я сказал вначале,
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
я получил мой первый компьютер,
когда был подростком и жил в Аккре.
когда был подростком и жил в Аккре.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
И у меня создалось вполне правильное впечатление,
что нельзя конструировать таким образом.
что нельзя конструировать таким образом.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
Это было просто использование грубой силы,
совершенно топорное решение.
совершенно топорное решение.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Я думаю, я бы не отреагировал подобным образом,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
если бы рос на всей этой научной фантастике,
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
на разговорах про RD2D2, или как он там называется,
и — ну, сами знаете —
и — ну, сами знаете —
15:46
buying into this hype about computers.
287
928000
1000
покупаясь на всю эту
бесконечную рекламу компьютеров.
бесконечную рекламу компьютеров.
15:47
I was coming at it from a different perspective,
288
929000
2000
Я подошёл к этому с другой точки зрения.
15:49
where I was bringing that different perspective
289
931000
2000
и я привнёс эту другую точку зрения
15:51
to bear on the problem.
290
933000
2000
в решение данной проблемы.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
И я думаю, что масса людей в Африке
имеют эту другую точку зрения,
имеют эту другую точку зрения,
15:56
and I think that's going to impact technology.
292
938000
2000
и я считаю, это даст толчок
в развитии новых технологий.
в развитии новых технологий.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
И это даст толчок
для нового подхода к пути их развития.
для нового подхода к пути их развития.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
И я думаю, вскоре вы сможете
увидеть и использовать этот вклад
увидеть и использовать этот вклад
16:02
to come up with new things,
295
944000
2000
для создания принципиально новых вещей,
16:04
because you're coming from a different perspective.
296
946000
3000
поскольку вы подойдёте
к решению задачи с иной точки зрения.
к решению задачи с иной точки зрения.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Я думаю, мы можем
внести свой вклад, мы тоже умеем мечтать.
внести свой вклад, мы тоже умеем мечтать.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Крис Андерсон:
Благодарю Вас, Квабена, было очень интересно.
Благодарю Вас, Квабена, было очень интересно.
16:13
Thank you.
299
955000
1000
Спасибо.
16:14
(Applause)
300
956000
2000
(Аплодисменты)
ABOUT THE SPEAKER
Kwabena Boahen - BioengineerKwabena Boahen wants to understand how brains work -- and to build a computer that works like the brain by reverse-engineering the nervous system. His group at Stanford is developing Neurogrid, a hardware platform that will emulate the cortex’s inner workings.
Why you should listen
Kwabena Boahen is the principal investigator at the Brains in Silicon lab at Stanford. He writes of himself:
Being a scientist at heart, I want to understand how cognition arises from neuronal properties. Being an engineer by training, I am using silicon integrated circuits to emulate the way neurons compute, linking the seemingly disparate fields of electronics and computer science with neurobiology and medicine.
My group's contributions to the field of neuromorphic engineering include a silicon retina that could be used to give the blind sight and a self-organizing chip that emulates the way the developing brain wires itself up. Our work is widely recognized, with over sixty publications, including a cover story in the May 2005 issue of Scientific American.
My current research interest is building a simulation platform that will enable the cortex's inner workings to be modeled in detail. While progress has been made linking neuronal properties to brain rhythms, the task of scaling up these models to link neuronal properties to cognition still remains. Making the supercomputer-performance required affordable is the goal of our Neurogrid project. It is at the vanguard of a profound shift in computing, away from the sequential, step-by-step Von Neumann machine towards a parallel, interconnected architecture more like the brain.
Kwabena Boahen | Speaker | TED.com