TED2003
Jeff Hawkins: How brain science will change computing
Jeff Hawkins'le beyin araştırmalarının, bilgisayar kullanımını nasıl değiştireceği üzerine
Filmed:
Readability: 3.2
1,674,773 views
Treo'nun yaratıcısı Jeff Hawkins, beyni farklı bir şekilde görmemizi istiyor: hızlı bir işlemciden ziyade, deneyimlerimizi depolayan ve geleceği tahmin etmemiz için bunları zihnimizde yeniden canlandırmamızı sağlayan bir bellek olarak.
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
Benim iki işim var: taşınabilir bilgisayarlar tasarlıyorum ve beyni inceliyorum.
00:29
And today's talk is about brains and,
1
4000
2000
Ve bugünkü konuşma beyinle ilgili --
00:31
yay, somewhere I have a brain fan out there.
2
6000
2000
Hey! Oralarda bir yerde bir "beyin hayranı" var.
00:33
(Laughter)
3
8000
2000
(Kahkahalar)
00:35
I'm going to, if I can have my first slide up here,
4
10000
2000
Eğer ilk slaydımı gösterebilirsem
00:37
and you'll see the title of my talk and my two affiliations.
5
12000
4000
konuşmamım başlığını ve görevlerimi görebilirsiniz.
00:41
So what I'm going to talk about is why we don't have a good brain theory,
6
16000
4000
Konuşmamda, neden iyi bir beyin teorimiz olmadığından,
00:45
why it is important that we should develop one and what we can do about it.
7
20000
3000
neden bir teori geliştirmemiz gerektiğinden ve bununla ilgili ne yapabileceğimizden bahsedeceğim.
00:48
And I'll try to do all that in 20 minutes. I have two affiliations.
8
23000
3000
Bütün bunları 20 dakikada yapmaya çalışacağım. İki görevim var.
00:51
Most of you know me from my Palm and Handspring days,
9
26000
3000
Çoğunuz beni Palm ve Handspring'ten tanıyorsunuz.
00:54
but I also run a nonprofit scientific research institute
10
29000
3000
Ama ben, kâr gütmeyen bir bilimsel araştırma enstitüsü olan ve
00:57
called the Redwood Neuroscience Institute in Menlo Park,
11
32000
2000
Menlo Park'ta yer alan Redwood Nöroloji Enstitüsü'nü de yönetiyorum.
00:59
and we study theoretical neuroscience,
12
34000
2000
Teorik nöroloji alanında araştırmalar yapıyoruz.
01:01
and we study how the neocortex works.
13
36000
2000
Neokorteksin işleyişini araştırıyoruz.
01:03
I'm going to talk all about that.
14
38000
2000
Bugün sadece bunlardan bahsedeceğim.
01:05
I have one slide on my other life, the computer life, and that's the slide here.
15
40000
3000
Hayatımın diğer kısmıyla, bilgisayarlarla, ilgili bir tek slayt var, o da bu.
01:08
These are some of the products I've worked on over the last 20 years,
16
43000
3000
Bunlar, ilk dizüstü bilgisayarlardan başlayarak, ilk tablet bilgisayarlara
01:11
starting back from the very original laptop to some of the first tablet computers
17
46000
4000
ve son olarak Treo'ya kadar, son 20 senedir üzerinde çalıştığım
01:15
and so on, and ending up most recently with the Treo,
18
50000
2000
ürünlerden bazıları;
01:17
and we're continuing to do this.
19
52000
2000
ve buna devam ediyoruz.
01:19
And I've done this because I really believe that mobile computing
20
54000
2000
Bunu yaptım çünkü gerçekten inanıyorum ki,
01:21
is the future of personal computing, and I'm trying to make the world
21
56000
3000
kişisel bilgisayarların geleceği taşınabilir bilgisayar kullanımında,
01:24
a little bit better by working on these things.
22
59000
3000
ve bunlar üzerinde çalışarak Dünya'ya bir katkım olsun istiyorum.
01:27
But this was, I have to admit, all an accident.
23
62000
2000
Ama bu, itiraf etmeliyim, bir kazaydı.
01:29
I really didn't want to do any of these products
24
64000
2000
Bu ürünleri yapmayı hiç istememiştim,
01:31
and very early in my career I decided
25
66000
2000
ve daha kariyerimin başındayken
01:33
I was not going to be in the computer industry.
26
68000
3000
bilgisayar endüstrisine girmemeye karar vermiştim.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Buna girmeden önce, geçen gün İnternet'ten bulduğum
01:38
this one little picture of graffiti there I picked off the web the other day.
28
73000
2000
şu resimde gördüğünüz Graffiti'den bahsedeyim sizlere.
01:40
I was looking for a picture of graffiti, little text input language,
29
75000
3000
Graffiti'nin bir resmi arıyordum, metin girmek için basit bir dil.
01:43
and I found the website dedicated to teachers who want to make these,
30
78000
3000
Kara tahtaların üzerine asılan fişler olur ya hani?
01:46
you know, the script writing things across the top of their blackboard,
31
81000
3000
Onlardan hazırlamak isteyen öğretmenlere yönelik bir site buldum.
01:49
and they had added graffiti to it, and I'm sorry about that.
32
84000
3000
O fişlere duvar yazılarını eklemişler, ve bu yüzden özür dilerim.
01:52
(Laughter)
33
87000
2000
(Kahkahalar)
01:54
So what happened was, when I was young and got out of engineering school
34
89000
5000
Ben gençken, mühendislik fakültesini bitirdikten sonra,
01:59
at Cornell in '79, I decided -- I went to work for Intel and
35
94000
4000
-- Cornell, '79 -- Intel'de çalışmaya başladım.
02:03
I was in the computer industry -- and three months into that,
36
98000
3000
Bilgisayar endüstrisine girmiştim ama üç ay sonra
02:06
I fell in love with something else, and I said, "I made the wrong career choice here,"
37
101000
4000
başka bir şeye vuruldum. Ardından, "Yanlış kariyeri seçmişim" dedim
02:10
and I fell in love with brains.
38
105000
3000
ve beyne aşık oldum.
02:13
This is not a real brain. This is a picture of one, a line drawing.
39
108000
3000
Bu gerçek bir beyin değil. Bir beyin resmi, basit bir çizim.
02:16
But I don't remember exactly how it happened,
40
111000
3000
Tam olarak nasıl olduğunu hatırlamıyorum,
02:19
but I have one recollection, which was pretty strong in my mind.
41
114000
3000
ama aklımda yer etmiş önemli bir anım var.
02:22
In September 1979, Scientific American came out
42
117000
3000
1979 Eylül'ünde, Scientific American dergisinin
02:25
with a single topic issue about the brain. And it was quite good.
43
120000
3000
dosya konusu beyindi. Ve oldukça iyiydi.
02:28
It was one of the best issues ever. And they talked about the neuron
44
123000
3000
Çıkardıkları en iyi sayılardan biriyidi. Nörondan, beynin gelişiminden,
02:31
and development and disease and vision and all the things
45
126000
2000
hastalığından, görme yetisinden ve beyinle ilgili
02:33
you might want to know about brains. It was really quite impressive.
46
128000
3000
merak ettiğiniz her şeyden bahsediyordu. Gerçekten etkileyiciydi.
02:36
And one might have the impression that we really knew a lot about brains.
47
131000
3000
İnsan, beyinle ilgili çok şey bilindiği izlenimine kapılabilir.
02:39
But the last article in that issue was written by Francis Crick of DNA fame.
48
134000
4000
Ama o sayıdaki son makale, DNA'yla meşhur olan Francis Crick tarafından kalem alınmıştı.
02:43
Today is, I think, the 50th anniversary of the discovery of DNA.
49
138000
3000
Sanıyorum bugün, DNA'nın keşfinin 50. yıl dönümü.
02:46
And he wrote a story basically saying,
50
141000
2000
Kısaca şunu söyleyen bir yazı yazmıştı:
02:48
well, this is all well and good, but you know what,
51
143000
3000
Tamam, bütün bunlar iyi, hoş ama, ne var biliyor musunuz;
02:51
we don't know diddley squat about brains
52
146000
2000
beyin hakkında hiçbir şey bilmiyoruz;
02:53
and no one has a clue how these things work,
53
148000
2000
kimse bu şeylerin nasıl çalıştığını bilmiyor,
02:55
so don't believe what anyone tells you.
54
150000
2000
yani kimsenin söylediklerine inanmayın.
02:57
This is a quote from that article. He said, "What is conspicuously lacking,"
55
152000
3000
Bu o makaleden bir alıntı: "Eksikliği aşikâr olan,"
03:00
he's a very proper British gentleman so, "What is conspicuously lacking
56
155000
4000
-- tam bir İngiliz beyefendisiydi -- "Eksikliği aşikâr olan şey, tüm bu farklı
03:04
is a broad framework of ideas in which to interpret these different approaches."
57
159000
3000
yaklaşımları yorumlamamızı sağlayacak geniş bir fikir çerçevesidir."
03:07
I thought the word framework was great.
58
162000
2000
"Fikir çerçevesi" kelimesinin harika olduğunu düşünmüştüm.
03:09
He didn't say we didn't even have a theory. He says,
59
164000
2000
Bir teorimiz bile olmadığını söylemiyordu. Diyordu ki,
03:11
we don't even know how to begin to think about it --
60
166000
2000
bu konuyu daha nasıl ele alacağımızı bilmiyoruz --
03:13
we don't even have a framework.
61
168000
2000
bir taslağımız bile yok.
03:15
We are in the pre-paradigm days, if you want to use Thomas Kuhn.
62
170000
3000
Paradigma öncesi dönemdeyiz -- Thomas Kuhn'un deyişiyle.
03:18
And so I fell in love with this, and said look,
63
173000
3000
İşte ben buna aşık oldum ve dedim ki:
03:21
we have all this knowledge about brains. How hard can it be?
64
176000
3000
beyinle ilgili bunca şey biliyoruz. Ne kadar zor olabilir ki?
03:24
And this is something we can work on my lifetime. I felt I could make a difference,
65
179000
3000
Bu hayatım boyunca üzerinde çalışabileceğimiz bir şey. Bir şeyleri değiştirebileceğimi düşündüm.
03:27
and so I tried to get out of the computer business, into the brain business.
66
182000
4000
Ve böylelikle bilgisayar işini bırakıp, beyin işine girmeye çalıştım.
03:31
First, I went to MIT, the AI lab was there,
67
186000
2000
İlk olarak MIT'e gittim; orada yapay zeka laboratuvarı vardı,
03:33
and I said, well, I want to build intelligent machines, too,
68
188000
2000
ve dedim ki, ben de akıllı makineler yapmak istiyorum,
03:35
but the way I want to do it is to study how brains work first.
69
190000
3000
ama bunun için önce beynin nasıl çalıştığını araştıracağım.
03:38
And they said, oh, you don't need to do that.
70
193000
3000
Dediler ki: "Yo, öyle bir şey yapmana gerek yok;
03:41
We're just going to program computers; that's all we need to do.
71
196000
2000
biz sadece bilgisayarları programlıyoruz; yapmamız gereken sadece bu."
03:43
And I said, no, you really ought to study brains. They said, oh, you know,
72
198000
3000
Ben, "Hayır, gerçekten beyni araştırmanız lazım", dedim. Yanıldığımı söylediler.
03:46
you're wrong. And I said, no, you're wrong, and I didn't get in.
73
201000
2000
"Hayır, siz yanılıyorsunuz", dedim; ve reddedildim.
03:48
(Laughter)
74
203000
1000
(Kahkahalar)
03:50
But I was a little disappointed -- pretty young -- but I went back again
75
205000
2000
Biraz hayal kırıklığına uğramıştım -- gençtim; ama sonra tekrar gittim,
03:52
a few years later and this time was in California, and I went to Berkeley.
76
207000
3000
bir kaç sene sonra -- bu defa California'da, Berkeley'e gittim.
03:55
And I said, I'll go in from the biological side.
77
210000
4000
Dedim ki, işin biyolojik tarafında şansımı deneyeceğim.
03:59
So I got in -- in the Ph.D. program in biophysics, and I was, all right,
78
214000
3000
Kabul edildim; biyofizik doktora programına başladım, her şey yolundaydı;
04:02
I'm studying brains now, and I said, well, I want to study theory.
79
217000
3000
artık beyni araştırıyordum ve dedim ki: "teorik çalışmak istiyorum".
04:05
And they said, oh no, you can't study theory about brains.
80
220000
2000
Dediler ki: "Yo, beyinle ilgili teorik çalışma yapamazsın.
04:07
That's not something you do. You can't get funded for that.
81
222000
2000
"Böyle bir şey olmaz. Bu işi finanse edecek birini bulamazsın.
04:09
And as a graduate student, you can't do that. So I said, oh my gosh.
82
224000
4000
"Ve zaten bir lisansüstü öğrencisi olarak bunu yapamazsın." Hay Allah!
04:13
I was very depressed. I said, but I can make a difference in this field.
83
228000
2000
Çok üzülmüştüm. Ama dedim ki: "Bu alanda bir fark yaratabilirim."
04:15
So what I did is I went back in the computer industry
84
230000
3000
Ve bilgisayar endüstrisine geri dönüp,
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
bir süre burada çalışıp, bir şeyler yapmam lazım, dedim.
04:20
That's when I designed all those computer products.
86
235000
3000
İşte bütün o bilgisayar ürünlerini o zaman tasarladım.
04:23
(Laughter)
87
238000
1000
(Kahkahalar)
04:24
And I said, I want to do this for four years, make some money,
88
239000
3000
Ve dedim ki; dört sene bu işi yapacağım, para biriktireceğim
04:27
like I was having a family, and I would mature a bit,
89
242000
4000
-- o sıralar aile kuruyordum -- biraz olgunlaşırım,
04:31
and maybe the business of neuroscience would mature a bit.
90
246000
3000
ve belki bu sırada nöroloji de biraz olgunlaşır.
04:34
Well, it took longer than four years. It's been about 16 years.
91
249000
3000
Dört seneden uzun sürdü. Yaklaşık 16 sene oldu.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Ama şimdi beyin üzerine çalışıyorum ve size bundan bahsedeceğim.
04:39
So why should we have a good brain theory?
93
254000
3000
Neden iyi bir beyin teorisine ihtiyacımız var?
04:42
Well, there's lots of reasons people do science.
94
257000
3000
İnsanın bilimle ilgilienmesinin nedenleri var.
04:45
One is -- the most basic one is -- people like to know things.
95
260000
3000
Bir tanesi -- en temel olanı -- insanların bilgiye aç olması.
04:48
We're curious, and we just go out and get knowledge, you know?
96
263000
2000
Merak ediyoruz ve bir yerlere gidip bir şeyler öğreniyoruz, değil mi?
04:50
Why do we study ants? Well, it's interesting.
97
265000
2000
Neden karıncaları araştırıyoruz? Çünkü ilginç.
04:52
Maybe we'll learn something really useful about it, but it's interesting and fascinating.
98
267000
3000
Belki işimize yarayacak bir şeyler de öğrenebiliriz; ama ilginç ve hayranlık uyandırıyor.
04:55
But sometimes, a science has some other attributes
99
270000
2000
Ama bir bilim dalını ilginç kılan
04:57
which makes it really, really interesting.
100
272000
2000
başka özellikler de vardır.
04:59
Sometimes a science will tell something about ourselves,
101
274000
3000
Bazen bir bilim dalı bize kendimiz hakkında bir şeyler söyler,
05:02
it'll tell us who we are.
102
277000
1000
bize, kim olduğumuzu öğretir.
05:03
Rarely, you know: evolution did this and Copernicus did this,
103
278000
3000
Kendimize -- işte, evrim şunu yaptı, Kopernik bunu yaptı --
05:06
where we have a new understanding of who we are.
104
281000
2000
nadiren farklı bir şekilde bakmaya başlarız.
05:08
And after all, we are our brains. My brain is talking to your brain.
105
283000
4000
Ve sonuçta, biz beyinleriz. Benim beynim sizin beyninizle konuşuyor.
05:12
Our bodies are hanging along for the ride, but my brain is talking to your brain.
106
287000
3000
Bedenlerimiz de bizle takılıyorlar, ama benim beynim sizin beyninizle konuşuyor.
05:15
And if we want to understand who we are and how we feel and perceive,
107
290000
3000
Ve ne olduğumuzu, hislerin ve algıların nasıl çalıştığını anlamak istersek
05:18
we really understand what brains are.
108
293000
2000
beyinleri gerçekten kavrayabiliriz.
05:20
Another thing is sometimes science
109
295000
2000
Bir de, bilim bazen
05:22
leads to really big societal benefits and technologies,
110
297000
2000
toplumsal faydalar ve teknolojiler,
05:24
or businesses, or whatever, that come out of it. And this is one, too,
111
299000
2000
ve iş dalları falan sağlar. Ve bu da öyle,
05:26
because when we understand how brains work, we're going to be able
112
301000
3000
çünkü, beynin nasıl çalıştığını anlarsak,
05:29
to build intelligent machines, and I think that's actually a good thing on the whole,
113
304000
3000
akıllı makineler yapabileceğiz ve bence bu çok güzel bir şey,
05:32
and it's going to have tremendous benefits to society,
114
307000
2000
ve topluma inanılmaz ölçüde yararlı olacağını düşünüyorum --
05:34
just like a fundamental technology.
115
309000
2000
en temel teknolojiler gibi.
05:36
So why don't we have a good theory of brains?
116
311000
2000
Peki, neden iyi bir beyin teorimiz yok?
05:38
And people have been working on it for 100 years.
117
313000
3000
Üstelik insanlar yüz yıldır bununla uğraşıyor.
05:41
Well, let's first take a look at what normal science looks like.
118
316000
2000
Gelin önce normal bilime bir göz atalım.
05:43
This is normal science.
119
318000
2000
Bu normal bilim.
05:45
Normal science is a nice balance between theory and experimentalists.
120
320000
4000
Normal bilimde, teoriyle deneyselcilik arasında bir denge vardır.
05:49
And so the theorist guys say, well, I think this is what's going on,
121
324000
2000
Teorist der ki: "bence bu işler şöyle şöyle olmaktadır."
05:51
and the experimentalist says, no, you're wrong.
122
326000
2000
Deneyci de der ki: "Hayır, yanılıyorsun."
05:53
And it goes back and forth, you know?
123
328000
2000
Ve bu böyle gider, değil mi?
05:55
This works in physics. This works in geology. But if this is normal science,
124
330000
2000
Bu fizikte işe yarar. Bu jeolojide işe yarar. Ama ele aldığımız normal bilimse,
05:57
what does neuroscience look like? This is what neuroscience looks like.
125
332000
3000
nöroloji nasıl görünür? Nöroloji şuna benzer.
06:00
We have this mountain of data, which is anatomy, physiology and behavior.
126
335000
5000
Elimizde bir yığın veri var: anatomi, fizyoloji ve davranış.
06:05
You can't imagine how much detail we know about brains.
127
340000
3000
Beyinle ilgili ne kadar çok şey bildiğimizi hayal bile edemezsiniz.
06:08
There were 28,000 people who went to the neuroscience conference this year,
128
343000
4000
Bu sene nöroloji konferansına 28.000 kişi katıldı,
06:12
and every one of them is doing research in brains.
129
347000
2000
ve hepsi beyin üzerine araştırma yapıyor.
06:14
A lot of data. But there's no theory. There's a little, wimpy box on top there.
130
349000
4000
Veri çok; ama teori yok. Orada tepede küçük bir kutu var.
06:18
And theory has not played a role in any sort of grand way in the neurosciences.
131
353000
5000
Ve teori, nörolojide hiçbir önemli rol üstlenmedi.
06:23
And it's a real shame. Now why has this come about?
132
358000
3000
Gerçekten yazık. Peki, neden böyle oldu?
06:26
If you ask neuroscientists, why is this the state of affair,
133
361000
2000
Nörologlara, "neden durum böyle", diyecek olursanız --
06:28
they'll first of all admit it. But if you ask them, they'll say,
134
363000
3000
-- Onlar da buna hak verirler. Ama sorduğunuzda,
06:31
well, there's various reasons we don't have a good brain theory.
135
366000
3000
"iyi bir beyin teorisinin olmayışının çeşitli nedenleri var", derler.
06:34
Some people say, well, we don't still have enough data,
136
369000
2000
Bazıları, "elimizde yeterince veri yok", der;
06:36
we need to get more information, there's all these things we don't know.
137
371000
3000
"daha fazla şey bilmemiz lazım; bilmediğimiz bunca şey var".
06:39
Well, I just told you there's so much data coming out your ears.
138
374000
3000
İyi de, demin söyledim, paçalarımızdan veri akıyor.
06:42
We have so much information, we don't even know how to begin to organize it.
139
377000
3000
Elimizde çok fazla bilgi var; bunu nasıl düzenleyeceğimizi bilmiyoruz.
06:45
What good is more going to do?
140
380000
2000
Daha fazlası ne işimize yarayacak?
06:47
Maybe we'll be lucky and discover some magic thing, but I don't think so.
141
382000
3000
Belki şansımız yaver gider ve mucizevi bir şey buluruz; ama sanmıyorum.
06:50
This is actually a symptom of the fact that we just don't have a theory.
142
385000
3000
Bu, aslında bir teorimiz olmayışının belirtisi.
06:53
We don't need more data -- we need a good theory about it.
143
388000
3000
Daha fazla veriye ihtiyacımız yok -- onunla ilgili iyi bir teoriye ihtiyacımız var.
06:56
Another one is sometimes people say, well, brains are so complex,
144
391000
3000
Bazı insanlar da, "beyin çok karmaşık,
06:59
it'll take another 50 years.
145
394000
2000
"bir 50 sene daha alır" diyor.
07:01
I even think Chris said something like this yesterday.
146
396000
2000
Hatta sanırım dün Chris böyle bir şey söyledi.
07:03
I'm not sure what you said, Chris, but something like,
147
398000
2000
Tam ne demiştin Chris, emin değilim; ama
07:05
well, it's one of the most complicated things in the universe. That's not true.
148
400000
3000
"evrendeki en karmaşık şeylerden biri" gibi bir şeydi. Bu yanlış.
07:08
You're more complicated than your brain. You've got a brain.
149
403000
2000
Sen, beyninden daha karmaşıksın. Bir defa sende beyin var.
07:10
And it's also, although the brain looks very complicated,
150
405000
2000
Ve ayrıca, beyin karmaşık görünse de,
07:12
things look complicated until you understand them.
151
407000
3000
anlayıncaya kadar her şey karmaşıktır.
07:15
That's always been the case. And so all we can say, well,
152
410000
3000
Bu hep böyledir. O yüzden diyebiliriz ki:
07:18
my neocortex, which is the part of the brain I'm interested in, has 30 billion cells.
153
413000
4000
"Neokorteksimde -- beynin benim ilgilendiğim bölgesinde -- 30 milyar hücre var.
07:22
But, you know what? It's very, very regular.
154
417000
2000
"Ama, bu son derece olağan".
07:24
In fact, it looks like it's the same thing repeated over and over and over again.
155
419000
3000
Hatta, aynı yapının üst üste tekrar edilmiş hâli gibi görünüyor.
07:27
It's not as complex as it looks. That's not the issue.
156
422000
3000
Göründüğü kadar karmaşık değil. Sorun o değil.
07:30
Some people say, brains can't understand brains.
157
425000
2000
Bazıları da diyor ki: "beyinler beyinleri anlayamaz".
07:32
Very Zen-like. Whoo. (Laughter)
158
427000
3000
Çok zenvâri. Vay be!
07:35
You know,
159
430000
1000
(Kahkahalar)
07:36
it sounds good, but why? I mean, what's the point?
160
431000
3000
Kulağa güzel geliyor; ama neden? Ne anlamı var yani?
07:39
It's just a bunch of cells. You understand your liver.
161
434000
3000
Alt tarafı bir grup hücre. Karaciğerinizi anlıyorsunuz ya!
07:42
It's got a lot of cells in it too, right?
162
437000
2000
Onda da bir sürü hücre var, değil mi?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Yani bu argüman da geçerli değil bence.
07:46
And finally, some people say, well, you know,
164
441000
2000
Ve son olarak, bazıları da diyor ki:
07:48
I don't feel like a bunch of cells, you know. I'm conscious.
165
443000
4000
"Kendimi bir grup hücreden ibaret hissettmiyorum. Benim bilincim var.
07:52
I've got this experience, I'm in the world, you know.
166
447000
2000
"Ben bir şeyler tecrübe ediyorum, dünyadayım yani.
07:54
I can't be just a bunch of cells. Well, you know,
167
449000
2000
"Sadece bir grup hücre olamam."
07:56
people used to believe there was a life force to be living,
168
451000
3000
Bir ara "yaşam atılımı" diye bir şey sayesinde yaşadığımızı sananlar vardı;
07:59
and we now know that's really not true at all.
169
454000
2000
ki biz böyle bir şey olmadığını biliyoruz.
08:01
And there's really no evidence that says -- well, other than people
170
456000
3000
Bunu destekleyen hiç kanıt yok --sadece bazı insanlar
08:04
just have disbelief that cells can do what they do.
171
459000
2000
hücrelerin, yapabildiklerini yaptıklarına inanmıyorlar.
08:06
And so, if some people have fallen into the pit of metaphysical dualism,
172
461000
3000
Yani, bazı insanlar metafiziksel ikiliğe kendilerini kaptırmışlarsa,
08:09
some really smart people, too, but we can reject all that.
173
464000
3000
-bazı zeki insanlar bile- bunu tümden bir kenara bırakabiliriz.
08:12
(Laughter)
174
467000
2000
(Kahkahalar)
08:14
No, I'm going to tell you there's something else,
175
469000
3000
Ben size, "başka bir şey var", diyeceğim;
08:17
and it's really fundamental, and this is what it is:
176
472000
2000
ve bu çok temel bir şey:
08:19
there's another reason why we don't have a good brain theory,
177
474000
2000
iyi bir beyin teorimiz olmamasının bir nedeni daha var ki
08:21
and it's because we have an intuitive, strongly-held,
178
476000
3000
o da cevabı görmemizi engelleyen, sezgisel,
08:24
but incorrect assumption that has prevented us from seeing the answer.
179
479000
5000
kuvvetle inandığımız, ama yanlış olan bir varsayımımız olması.
08:29
There's something we believe that just, it's obvious, but it's wrong.
180
484000
3000
Gün gibi ortada, deyip inandığımız bir şey; ama yanlış.
08:32
Now, there's a history of this in science and before I tell you what it is,
181
487000
4000
Şimdi bunun bilim tarihinde de örnekleri var ve ne olduğunu söylemeden önce
08:36
I'm going to tell you a bit about the history of it in science.
182
491000
2000
size bilim tarihindeki örneklerden bahsedeceğim.
08:38
You look at some other scientific revolutions,
183
493000
2000
Diğer bilimsel devrimlere baktığınızda--
08:40
and this case, I'm talking about the solar system, that's Copernicus,
184
495000
2000
-- ki burumda Kopernik'in Güneş sisteminden,
08:42
Darwin's evolution, and tectonic plates, that's Wegener.
185
497000
3000
Darwin'in evriminden ve Wegener'in tektonik levhalarından bahsediyorum--
08:45
They all have a lot in common with brain science.
186
500000
3000
bunların hepsinin beyin bilimiyle ortak noktaları var.
08:48
First of all, they had a lot of unexplained data. A lot of it.
187
503000
3000
İlk olarak, hepsinde, açıklanamayan bir yığın veri vardı.
08:51
But it got more manageable once they had a theory.
188
506000
3000
Ama bir teori geliştirdikleri zaman, daha kolay idare edilebilir oldular.
08:54
The best minds were stumped -- really, really smart people.
189
509000
3000
En parlak beyinler allak bullak olmuştu; çok, çok zeki insanlar.
08:57
We're not smarter now than they were then.
190
512000
2000
Biz şimdi onlardan daha zeki değiliz.
08:59
It just turns out it's really hard to think of things,
191
514000
2000
Anlaşılan o ki, bazı şeyleri düşünmek çok zor;
09:01
but once you've thought of them, it's kind of easy to understand it.
192
516000
2000
ama bir şeyi bir defa buldunuz mu, anlaması çok kolay oluyor.
09:03
My daughters understood these three theories
193
518000
2000
Benim kızlarım bu üç hikâyeyi
09:05
in their basic framework by the time they were in kindergarten.
194
520000
3000
anaokulu çağındayken, en basit hatlarıyla anlamışlardı.
09:08
And now it's not that hard, you know, here's the apple, here's the orange,
195
523000
3000
Çok da zor değil; hani var ya, "bu elma, bu portakal...
09:11
you know, the Earth goes around, that kind of stuff.
196
526000
3000
"...Dünya bunun etrafında dönüyor" falan? O tür şeyler.
09:14
Finally, another thing is the answer was there all along,
197
529000
2000
Bir de şu var: cevap hep oradaydı;
09:16
but we kind of ignored it because of this obvious thing, and that's the thing.
198
531000
3000
ama şu "gün gibi ortada" olan şey, cevabı görmemizi engelledi. O da şu:
09:19
It was an intuitive, strong-held belief that was wrong.
199
534000
3000
Sezgisel, sarsılmaz bir inançtı ve yanlıştı.
09:22
In the case of the solar system, the idea that the Earth is spinning
200
537000
3000
Güneş sistemi örneğinde, Dünya'nın dönmesi,
09:25
and the surface of the Earth is going like a thousand miles an hour,
201
540000
3000
ve Dünya'nın dış yüzeyinin saatte bin mil hız yapması,
09:28
and the Earth is going through the solar system about a million miles an hour.
202
543000
3000
ve Dünya'nın, Güneş sistemi içinde saatte bir milyon mil hız yapması--
09:31
This is lunacy. We all know the Earth isn't moving.
203
546000
2000
Bu çılgınlık. Hepimiz, Dünya'nın hareket etmediğini biliyoruz.
09:33
Do you feel like you're moving a thousand miles an hour?
204
548000
2000
Hiç saatte bin mil hızla hareket ediyormuşsunuz gibi geliyor mu size?
09:35
Of course not. You know, and someone who said,
205
550000
2000
Tabii ki hayır. Ve biriniz çıkıp,
09:37
well, it was spinning around in space and it's so huge,
206
552000
2000
sonsuz bir boşlukta döndüğünü söylese
09:39
they would lock you up, and that's what they did back then.
207
554000
2000
onu hapse atarlardı ve zaten o zamanlar öyle yaptılar.
09:41
(Laughter)
208
556000
1000
(Kahkahalar)
09:42
So it was intuitive and obvious. Now what about evolution?
209
557000
3000
Sezgiseldi ve apaçık ortadaydı. Peki ya evrim?
09:45
Evolution's the same thing. We taught our kids, well, the Bible says,
210
560000
3000
Evrim de aynı hesap. Çocuklarımıza, "İncil diyor ki:
09:48
you know, God created all these species, cats are cats, dogs are dogs,
211
563000
2000
"'bütün canlıları Tanrı yarattı; kediler kedidir; köpekler köpektir;
09:50
people are people, plants are plants, they don't change.
212
565000
3000
"'insanlar insandır; bitkiler bitkidir; ve değişmezler.
09:53
Noah put them on the Ark in that order, blah, blah, blah. And, you know,
213
568000
4000
"'Nuh onları gemisine aldı...'", falan filan dedik. İşin aslı,
09:57
the fact is, if you believe in evolution, we all have a common ancestor,
214
572000
4000
eğer evrime inanıyorsanız, hepimizin ortak bir atası var,
10:01
and we all have a common ancestry with the plant in the lobby.
215
576000
3000
ve hepimizin lobideki bitkiyle ortak bir atası var.
10:04
This is what evolution tells us. And, it's true. It's kind of unbelievable.
216
579000
3000
Evrim bize bunu söylüyor. Ve bu doğru. Neredeyse inanılmaz.
10:07
And the same thing about tectonic plates, you know?
217
582000
3000
Tektonik levhalar için de aynı şey geçerli, değil mi?
10:10
All the mountains and the continents are kind of floating around
218
585000
2000
Bütün bu dağlar ve kıtalar, Dünya'nın üzerinde
10:12
on top of the Earth, you know? It's like, it doesn't make any sense.
219
587000
4000
batmadan yüzüyorlar. Bu-- bu çok anlamsız.
10:16
So what is the intuitive, but incorrect assumption,
220
591000
4000
Peki bizi, beyinleri anlamaktan alıkoyan sezgisel, ama yanlış
10:20
that's kept us from understanding brains?
221
595000
2000
varsayım nedir?
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
Şimdi bunun ne olduğunu söyleyeceğim ve size bu doğru gibi gelecek;
10:24
and that's the point, right? Then I'm going to have to make an argument
223
599000
2000
ama zaten olay bu. Sonra diğer varsayım hakkında neden
10:26
why you're incorrect about the other assumption.
224
601000
2000
yanıldığınızla ilgili bir argüman geliştirmem gerekecek.
10:28
The intuitive but obvious thing is that somehow intelligence
225
603000
3000
Sezgisel ama besbelli olan şey:
10:31
is defined by behavior,
226
606000
2000
zekâ davranışla tanımlanır;
10:33
that we are intelligent because of the way that we do things
227
608000
2000
davranış biçimimiz nedeniyle zekiyiz ve
10:35
and the way we behave intelligently, and I'm going to tell you that's wrong.
228
610000
3000
zekice davranıyoruz. Ben size bunun yanlış olduğunu söylüyorum.
10:38
What it is is intelligence is defined by prediction.
229
613000
2000
Doğrusu: zekâ öngörüyle tanımlanır.
10:40
And I'm going to work you through this in a few slides here,
230
615000
3000
Bunu size birkaç slaytla anlatacağım ve
10:43
give you an example of what this means. Here's a system.
231
618000
4000
nasıl çalıştığıyla ilgili bir örnek vereceğim. Bu bir sistem.
10:47
Engineers like to look at systems like this. Scientists like to look at systems like this.
232
622000
3000
Mühendisler ve bilimadamları sistemleri böyle incelemeyi severler.
10:50
They say, well, we have a thing in a box, and we have its inputs and its outputs.
233
625000
3000
Derler ki: "kutuda bir şey var; ve girdiler ve çıktılar var".
10:53
The AI people said, well, the thing in the box is a programmable computer
234
628000
3000
Yapay zekâcılar der ki: "kutunun içindeki, programlanabilir bir bilgisayardır;
10:56
because that's equivalent to a brain, and we'll feed it some inputs
235
631000
2000
"çünkü bir beyine eşdeğerdir ve ona veri girişi yaparsak,
10:58
and we'll get it to do something, have some behavior.
236
633000
2000
"bir şeyler yapmasını, harekete geçmesini sağlayabiliriz".
11:00
And Alan Turing defined the Turing test, which is essentially saying,
237
635000
3000
Alan Turing, "Turing testi"ni tanımlamıştı ki buna göre
11:03
we'll know if something's intelligent if it behaves identical to a human.
238
638000
3000
eğer bir şey insanla özdeş davranıyorsa, zekidir.
11:06
A behavioral metric of what intelligence is,
239
641000
3000
Zekânın, davranışsal bir ölçüm yöntemi.
11:09
and this has stuck in our minds for a long period of time.
240
644000
3000
Bu uzun bir süre kafamızda yer etti.
11:12
Reality though, I call it real intelligence.
241
647000
2000
Oysa gerçekte -- ben buna "gerçek zekâ" diyorum.
11:14
Real intelligence is built on something else.
242
649000
2000
Gerçek zeka başka bir şey üzerine kurulmuştur.
11:16
We experience the world through a sequence of patterns, and we store them,
243
651000
4000
Biz dünyayı bir örüntü dizisi olarak tecrübe ediyoruz ve bunları kaydedip,
11:20
and we recall them. And when we recall them, we match them up
244
655000
3000
hatırlıyoruz. Ve hatırlarken, bunları gerçeklikle eşleştiriyoruz,
11:23
against reality, and we're making predictions all the time.
245
658000
4000
ve sürekli tahminler yürütüyoruz.
11:27
It's an eternal metric. There's an eternal metric about us sort of saying,
246
662000
3000
Başı sonu olmayan bir ölçüm yöntemi. Bizde sürekli,
11:30
do we understand the world? Am I making predictions? And so on.
247
665000
3000
"Dünyayı anlıyor muyuz? Tahminler yürütüyor muyum?" diyen bir ölçüm sistemi var.
11:33
You're all being intelligent right now, but you're not doing anything.
248
668000
2000
Hepiniz şu an zekisiniz; ama hiçbir şey yapmıyoruz.
11:35
Maybe you're scratching yourself, or picking your nose,
249
670000
2000
Belki bir yerinizi kaşıyorsunuz, burnunuzu karıştırıyorsunuz,
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
ne bileyim, ama şu an bir şey yapmıyorsunuz,
11:39
but you're being intelligent; you're understanding what I'm saying.
251
674000
3000
ama yine de zekisiniz, benim ne demek istediğimi anlıyorsunuz.
11:42
Because you're intelligent and you speak English,
252
677000
2000
Çünkü zekisiniz ve İngilizce biliyorsunuz,
11:44
you know what word is at the end of this -- (Silence)
253
679000
1000
bu cümleyi nasıl bitireceğimi --
11:45
sentence.
254
680000
2000
biliyorsunuz.
11:47
The word came into you, and you're making these predictions all the time.
255
682000
3000
Kelime aklınıza geldi; ve sürekli bu tür öngörülerde bulunuyorsunuz.
11:50
And then, what I'm saying is,
256
685000
2000
Yani, söylediğim şu:
11:52
is that the eternal prediction is the output in the neocortex.
257
687000
2000
Öngörünüz, neokorteksin çıktısı;
11:54
And that somehow, prediction leads to intelligent behavior.
258
689000
3000
ve bir şekilde, öngörü, zeki davranışlara olanak sağlıyor.
11:57
And here's how that happens. Let's start with a non-intelligent brain.
259
692000
3000
Bu da şöyle oluyor: Zeki olmayan bir beyinle başlayalım.
12:00
Well I'll argue a non-intelligent brain, we got hold of an old brain,
260
695000
4000
Zeki olmayan bir beynin -- eski bir beyin bulduk, diyelim --
12:04
and we're going to say it's like a non-mammal, like a reptile,
261
699000
3000
-- ve bir memeliye ait değil, bir sürüngen gibi, diyelim --
12:07
so I'll say, an alligator; we have an alligator.
262
702000
2000
-- Bir timsah, diyelim; elimizde bir timsah var.
12:09
And the alligator has some very sophisticated senses.
263
704000
3000
Ve timsahların bazı çok karmaşık duyuları vardır.
12:12
It's got good eyes and ears and touch senses and so on,
264
707000
3000
Çok iyi gözleri ve kulakları, ve dokunma duyusu vardır.
12:15
a mouth and a nose. It has very complex behavior.
265
710000
4000
Ağzı, burnu var. Çok karmaşık davranışları vardır.
12:19
It can run and hide. It has fears and emotions. It can eat you, you know.
266
714000
4000
Kaçıp saklanabilir. Korkuları ve duyguları vardır. Sizi yiyebilir de, değil mi?
12:23
It can attack. It can do all kinds of stuff.
267
718000
4000
Saldırabilir. Bütün bunları yapabilir.
12:27
But we don't consider the alligator very intelligent, not like in a human sort of way.
268
722000
5000
Ama biz timsahı pek zeki bulmayız, bir insan gibi değildir yani.
12:32
But it has all this complex behavior already.
269
727000
2000
Ama zaten çok karmaşık davranışları var.
12:34
Now, in evolution, what happened?
270
729000
2000
Şimdi, evrimde ne oldu?
12:36
First thing that happened in evolution with mammals,
271
731000
3000
Memelilerin evriminde olan ilk şey:
12:39
we started to develop a thing called the neocortex.
272
734000
2000
Neokorteks diye bir şey edindik.
12:41
And I'm going to represent the neocortex here,
273
736000
2000
Neokorteksi, eski beynin üstündeki
12:43
by this box that's sticking on top of the old brain.
274
738000
2000
kutuyla temsil edelim.
12:45
Neocortex means new layer. It is a new layer on top of your brain.
275
740000
3000
Neokorteks, "yeni katman" demek. Beyninizin üzerinde yeni bir katman.
12:48
If you don't know it, it's the wrinkly thing on the top of your head that,
276
743000
3000
Bilmiyorsanız, başınızın üstündeki o buruş buruş şey;
12:51
it's got wrinkly because it got shoved in there and doesn't fit.
277
746000
3000
buruş buruş, çünkü oraya girsin diye iyice sıkıştırılmış.
12:54
(Laughter)
278
749000
1000
(Kahkahalar)
12:55
No, really, that's what it is. It's about the size of a table napkin.
279
750000
2000
Hayır, geçrketen öyle. Bir kumaş peçete kadar boyu var.
12:57
And it doesn't fit, so it gets all wrinkly. Now look at how I've drawn this here.
280
752000
3000
Ve oraya sığmıyor, o yüzden buruşuyor. Bunu nasıl çizdiğime dikkat edin.
13:00
The old brain is still there. You still have that alligator brain.
281
755000
4000
Eski beyin hâlâ orada. Hâlâ o timsah beyni sizde var.
13:04
You do. It's your emotional brain.
282
759000
2000
Hâlâ var. O, duygusal beyniniz.
13:06
It's all those things, and all those gut reactions you have.
283
761000
3000
Bütün o şeyler ve içgüdüsel tepkileriniz o işte.
13:09
And on top of it, we have this memory system called the neocortex.
284
764000
3000
Ve onun üzerinde, neokorteks dediğimiz hafıza sistemi var.
13:12
And the memory system is sitting over the sensory part of the brain.
285
767000
4000
Ve hafıza sistemi, beynin duyusal kısmının hemen üstünde.
13:16
And so as the sensory input comes in and feeds from the old brain,
286
771000
3000
Yani duyusal veriler eski beyne girdikçe
13:19
it also goes up into the neocortex. And the neocortex is just memorizing.
287
774000
4000
neokortekse çıkıyor. Ve neokorteks sadece ezberliyor.
13:23
It's sitting there saying, ah, I'm going to memorize all the things that are going on:
288
778000
4000
Orada oturup diyor ki: "Bütün bu olup biteni ezberlemem lazım;
13:27
where I've been, people I've seen, things I've heard, and so on.
289
782000
2000
"bulunduğum yerler, gördüğüm insanlar, duyduğum şeyler..." vesaire.
13:29
And in the future, when it sees something similar to that again,
290
784000
4000
Ve gelecekte, ona benzer bir şeyi,
13:33
so in a similar environment, or the exact same environment,
291
788000
3000
benzer veya birebir aynı ortamda tekrar görünce,
13:36
it'll play it back. It'll start playing it back.
292
791000
2000
kayıtları tekrar oynatmaya başlayacak.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
"A, ben daha önce burda bulunmuştum. Ve daha önce buradayken,
13:40
this happened next. It allows you to predict the future.
294
795000
3000
"sonra şöyle olmuştu". Geleceği öngörmenizi sağlıyor.
13:43
It allows you to, literally it feeds back the signals into your brain;
295
798000
4000
Sinyalleri tekrar beyninize yollar ve
13:47
they'll let you see what's going to happen next,
296
802000
2000
bir sonra olacakları görmenizi,
13:49
will let you hear the word "sentence" before I said it.
297
804000
3000
ben söylemeden "biliyorsunuz"u duymanızı sağlar.
13:52
And it's this feeding back into the old brain
298
807000
3000
Ve daha zekice kararlar almanızı sağlayacak olan şey
13:55
that'll allow you to make very more intelligent decisions.
299
810000
3000
sinyallerin eski beyne tekrar bildirilmesidir.
13:58
This is the most important slide of my talk, so I'll dwell on it a little bit.
300
813000
3000
Bu, konuşmamdaki en önemli slayt; o yüzden biraz üzerinde durmak istiyorum.
14:01
And so, all the time you say, oh, I can predict the things.
301
816000
4000
Siz böylelikle sürekli, "a, öngörebiliyorum" dersiniz.
14:05
And if you're a rat and you go through a maze, and then you learn the maze,
302
820000
3000
Ve eğer bir fareyseniz ve bir labirentten geçip, labirenti öğrenirseniz
14:08
the next time you're in a maze, you have the same behavior,
303
823000
2000
labirente bir daha girdiğinizde, davranışlarınız aynı olacak,
14:10
but all of a sudden, you're smarter
304
825000
2000
ama birden daha zeki olacaksınız,
14:12
because you say, oh, I recognize this maze, I know which way to go,
305
827000
3000
çünkü diyeceksiniz ki: "A, ben bu labirenti biliyorum, nereden gideceğimi de biliyorum,
14:15
I've been here before, I can envision the future. And that's what it's doing.
306
830000
3000
"daha önce burada bulunmıştum; geleceğini canlandırabiliyorum". Ve fare de böyle yapar.
14:18
In humans -- by the way, this is true for all mammals;
307
833000
3000
İnsanlarda -- bu arada, bu bütün memeliler için geçerli --
14:21
it's true for other mammals -- and in humans, it got a lot worse.
308
836000
2000
bu, bütün memeliler için geçerli ve insanlarda daha da kötüleşti.
14:23
In humans, we actually developed the front part of the neocortex
309
838000
3000
Biz neokorteksin ön bölümünü geliştirdik,
14:26
called the anterior part of the neocortex. And nature did a little trick.
310
841000
4000
"anterior neokorteks" denen bölgeyi. Ve doğa küçük bir oyun oynadı.
14:30
It copied the posterior part, the back part, which is sensory,
311
845000
2000
"Posterior" bölgeyi -- duyusal olan arka bölgeyi --
14:32
and put it in the front part.
312
847000
2000
kopyaladı ve öne koydu.
14:34
And humans uniquely have the same mechanism on the front,
313
849000
2000
Ve, aynı mekanizma, eşsiz bir biçimde, insanlarda öndede var;
14:36
but we use it for motor control.
314
851000
2000
ama biz onu hareketleri kontrol etmede kullanıyoruz.
14:38
So we are now able to make very sophisticated motor planning, things like that.
315
853000
3000
Bu yüzden çok karmaşık hareketler tasarlayabiliyoruz.
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
Bundan bahsedecek çok vaktim yok; ama beynin nasıl çalıştığını anlamak istiyorsanız
14:44
you have to understand how the first part of the mammalian neocortex works,
317
859000
3000
memelilerdeki neokorteksin ilk bölümünün nasıl çalıştığını anlamanız lazım--
14:47
how it is we store patterns and make predictions.
318
862000
2000
-- örüntüleri nasıl kaydedip, tahmin yürüttüğümüzü.
14:49
So let me give you a few examples of predictions.
319
864000
3000
Size bu tahminlerle ilgili birkaç örnek vereyim.
14:52
I already said the word "sentence." In music,
320
867000
2000
"Biliyorsunuz" kelimesi söylemiştim. Müzikte,
14:54
if you've heard a song before, if you heard Jill sing those songs before,
321
869000
3000
eğer bir şarkıyı, mesela Jill'in o şarkıları söylediğini daha önce duyduysanız,
14:57
when she sings them, the next note pops into your head already --
322
872000
3000
o söylerken, bir sonraki nota aklınıza geliverir--
15:00
you anticipate it as you're going. If it was an album of music,
323
875000
2000
söylerken tahmin edersiniz. Eğer bir albüm olsaydı --
15:02
the end of one album, the next song pops into your head.
324
877000
3000
bir şarkının sonundayken, bir sonraki şarkı aklınıza geliverir.
15:05
And these things happen all the time. You're making these predictions.
325
880000
2000
Bu tür şeyler sürekli olmakta. Böyle tahminlerde bulunuyorsunuz.
15:07
I have this thing called the altered door thought experiment.
326
882000
3000
"'Değiştirilmiş kapı' düşünce deneyi" dediğim bir şey var.
15:10
And the altered door thought experiment says, you have a door at home,
327
885000
3000
Buna göre, evde bir kapınız var;
15:13
and when you're here, I'm changing it, I've got a guy
328
888000
3000
ve siz buradayken, ben onu değiştiriyorum;
15:16
back at your house right now, moving the door around,
329
891000
2000
şu an sizin evde birisi var, kapıyı kurcalıyor,
15:18
and they're going to take your doorknob and move it over two inches.
330
893000
2000
ve kapı kulbunu birkaç santim yukarı kaldıracak.
15:20
And when you go home tonight, you're going to put your hand out there,
331
895000
2000
Ve siz bu akşam eve döndüğünüzde, elinizi uzatacaksınız,
15:22
and you're going to reach for the doorknob and you're going to notice
332
897000
2000
kapı kulbunu ararken fark edeceksiniz ki
15:24
it's in the wrong spot, and you'll go, whoa, something happened.
333
899000
3000
kulp yanlış yerde, ve "bir şeyler olmuş", diyeceksiniz.
15:27
It may take a second to figure out what it was, but something happened.
334
902000
2000
Ne olduğunu anlamanız bir iki saniyenizi alabilir, ama bir şeyler olmuş.
15:29
Now I could change your doorknob in other ways.
335
904000
2000
Kapı kulbunuzu başka şekilde de değiştirebilirdim.
15:31
I can make it larger or smaller, I can change its brass to silver,
336
906000
2000
Büyültüp küçültebilirim; bakırsa gümüş yapabilirim;
15:33
I could make it a lever. I can change your door, put colors on;
337
908000
2000
manivela yapabilirim. Kapınızı değiştirebilirim, boyarım,
15:35
I can put windows in. I can change a thousand things about your door,
338
910000
3000
göz pencere koyabilirim. Kapınızı bin bir şekilde değiştirebilirim,
15:38
and in the two seconds you take to open your door,
339
913000
2000
ve kapınızı açtığınız o iki saniye içinde
15:40
you're going to notice that something has changed.
340
915000
3000
bir şeylerin değiştiğini fark edersiniz.
15:43
Now, the engineering approach to this, the AI approach to this,
341
918000
2000
Şimdi, mühendisliğin, yapay zekânın buna yaklaşımı
15:45
is to build a door database. It has all the door attributes.
342
920000
3000
kapının bütün özelliklerini tutan bir "kapı veritabanı" kurmaktır.
15:48
And as you go up to the door, you know, let's check them off one at time.
343
923000
3000
Ve siz kapıya giderken, "bütün özellikleri tek tek kontrol edelim.
15:51
Door, door, door, you know, color, you know what I'm saying.
344
926000
2000
"kapı, kapı, kapı..." Rengi falan, ne dediğimi anladınız.
15:53
We don't do that. Your brain doesn't do that.
345
928000
2000
Biz öyle yapmayız ki. Beyniniz öyle yapmaz.
15:55
What your brain is doing is making constant predictions all the time
346
930000
2000
Beyniniz, içinde bulunduğunuz ortamda
15:57
about what is going to happen in your environment.
347
932000
2000
ne olacağıyla ilgili sürekli tahmin yürütür.
15:59
As I put my hand on this table, I expect to feel it stop.
348
934000
3000
Elimi masaya koyarken, duracağını hissetmeyi bekliyorum.
16:02
When I walk, every step, if I missed it by an eighth of an inch,
349
937000
3000
Yürürken, bir adımım yarım santim kısa düşse,
16:05
I'll know something has changed.
350
940000
2000
bir şeyin değiştiğini anlarım.
16:07
You're constantly making predictions about your environment.
351
942000
2000
Çevrenizle ilgili sürekli tahmin yürütüyorsunuz.
16:09
I'll talk about vision here briefly. This is a picture of a woman.
352
944000
3000
Kısaca görme yetisinden bahsedeyim. Bu bir kadın resmi.
16:12
And when you look at people, your eyes are caught
353
947000
2000
İnsanlara baktığınızda, gözlerinize saniyede
16:14
over at two to three times a second.
354
949000
1000
iki-üç defadan fazla bakarlar.
16:15
You're not aware of this, but your eyes are always moving.
355
950000
2000
Bunun farkında değilsiniz, ama gözleriniz sürekli harket eder.
16:17
And so when you look at someone's face,
356
952000
2000
Yani birinin yüzüne baktığınızda,
16:19
you'd typically go from eye to eye to eye to nose to mouth.
357
954000
2000
genellikle bir o göze, bir bu göze, bir o göze, burna ve ağza bakarsınız.
16:21
Now, when your eye moves from eye to eye,
358
956000
2000
Şimdi, gözleriniz bir gözden diğerine geçerken
16:23
if there was something else there like, a nose,
359
958000
2000
orada burun gibi başka bir şey olsaydı,
16:25
you'd see a nose where an eye is supposed to be,
360
960000
2000
gözün olması gereken yerde bir burun görürdünüz,
16:27
and you'd go, oh shit, you know --
361
962000
3000
ve -- "Vay anasını!" dersin,
16:30
(Laughter)
362
965000
1000
(Kahkahalar)
16:31
There's something wrong about this person.
363
966000
2000
"bu insanda ters olan bir şeyler var".
16:33
And that's because you're making a prediction.
364
968000
2000
Çünkü bir öngörüde bulunuyorsunuz.
16:35
It's not like you just look over there and say, what am I seeing now?
365
970000
2000
Oraya bakıp da, "Şimdi ben ne görüyorum?
16:37
A nose, that's okay. No, you have an expectation of what you're going to see.
366
972000
3000
"Bir burun, tamam" demiyorsunuz. Ne göreceğinizle ilgili bir beklentiniz var --
16:40
(Laughter)
367
975000
1000
(Kahkahalar)
16:41
Every single moment. And finally, let's think about how we test intelligence.
368
976000
4000
-- her an. Ve son olarak, zekâyı nasıl sınayabileceğimizi düşünelim.
16:45
We test it by prediction. What is the next word in this, you know?
369
980000
3000
Tahminlerle sınarız. "Bu cümledeki bir sonraki kelime --?" gibi.
16:48
This is to this as this is to this. What is the next number in this sentence?
370
983000
3000
"Bununla bunun arasındaki ilişki, şununla şunun arasındaki ilişki. Bu cümledeki bir sonraki sayı kaçtır", falan.
16:51
Here's three visions of an object.
371
986000
2000
"Bir nesnenin üç görüntüsü şöyledir.
16:53
What's the fourth one? That's how we test it. It's all about prediction.
372
988000
4000
"Dördüncüsü nasıldır?" Böyle sınarız. Bunların hepsi tahminlerle ilgili.
16:57
So what is the recipe for brain theory?
373
992000
3000
Öyleyse beyin teorisi nelerden oluşur?
17:00
First of all, we have to have the right framework.
374
995000
3000
Öncelikle, doğru çerçeveyi seçmemiz lazım.
17:03
And the framework is a memory framework,
375
998000
2000
Ve çerçeve bir hafıza çerçevesi;
17:05
not a computation or behavior framework. It's a memory framework.
376
1000000
2000
hesaplama veya davranış çerçevesi değil. Bir hafıza çerçevesi.
17:07
How do you store and recall these sequences or patterns? It's spatio-temporal patterns.
377
1002000
4000
Bu dizileri veya örüntüleri nasıl kaydedip hatırlıyoruz? Uzay-zamansal örüntüler.
17:11
Then, if in that framework, you take a bunch of theoreticians.
378
1006000
3000
Öyleyse, o çerçevede, bir grup teorisyenle çalışırsınız.
17:14
Now biologists generally are not good theoreticians.
379
1009000
2000
Biyologlar genelde iyi teorisyenler değildir.
17:16
It's not always true, but in general, there's not a good history of theory in biology.
380
1011000
4000
İstisnalar vardır; ama genelde, teorinin biyolojide çok önemli bir yeri olmamıştır.
17:20
So I found the best people to work with are physicists,
381
1015000
3000
O yüzden bence en iyisi fizikçilerle, mühendislerle,
17:23
engineers and mathematicians, who tend to think algorithmically.
382
1018000
3000
matematikçilerle, algoritmik düşünen insanlarla çalışmak.
17:26
Then they have to learn the anatomy, and they've got to learn the physiology.
383
1021000
3000
Onların da anatomi ve fizyoloji öğrenmesi gerekiyor.
17:29
You have to make these theories very realistic in anatomical terms.
384
1024000
4000
Bu teorilerin anatomik açıdan gerçekçi olması lazım.
17:33
Anyone who gets up and tells you their theory about how the brain works
385
1028000
4000
Her kim ki, kalkıp, beynin işleyişiyle ilgili teorisini anlatır,
17:37
and doesn't tell you exactly how it's working in the brain
386
1032000
2000
ama onun, beynin içinde tam olarak nasıl uygulandığını,
17:39
and how the wiring works in the brain, it is not a theory.
387
1034000
2000
ve beyindeki şebekenin nasıl çalıştığını açıklayamaz, o teori değildir.
17:41
And that's what we're doing at the Redwood Neuroscience Institute.
388
1036000
3000
Ve biz Redwood Nöroloji Enstitüsü'nde bunu yapıyoruz.
17:44
I would love to have more time to tell you we're making fantastic progress in this thing,
389
1039000
4000
Keşke bundan bahsedecek vaktim olsa. Mükemmeler ilerlemeler kaydediyoruz,
17:48
and I expect to be back up on this stage,
390
1043000
2000
ve sanıyorum ki tekrar bu sahneye çıkıp,
17:50
maybe this will be some other time in the not too distant future and tell you about it.
391
1045000
2000
-- belki çok uzak olmayan gelecekte -- size bundan bahsederim.
17:52
I'm really, really excited. This is not going to take 50 years at all.
392
1047000
3000
Gerçekten çok heyecanlıyım. Bu 50 sene falan almayacak.
17:55
So what will brain theory look like?
393
1050000
2000
Peki, beyin teorisi neye benzeyecek?
17:57
First of all, it's going to be a theory about memory.
394
1052000
2000
Öncelikle, hafızayla ilgili bir teori olacak.
17:59
Not like computer memory. It's not at all like computer memory.
395
1054000
3000
Bilgisayar hafızası gibi değil. Bilgisayar hafızasına hiç benzemiyor.
18:02
It's very, very different. And it's a memory of these very
396
1057000
2000
Çok çok farklı. Gözünüzden gelenler gibi, birden fazla
18:04
high-dimensional patterns, like the things that come from your eyes.
397
1059000
3000
birimle ifade edilen örüntülerin kaydedildiği bir hafıza.
18:07
It's also memory of sequences.
398
1062000
2000
Aynı zamanda bir dizi hafızası.
18:09
You cannot learn or recall anything outside of a sequence.
399
1064000
2000
Hiçbir şeyi bir dizinin haricinde öğrenemezsiniz veya hatırlayamazsınız.
18:11
A song must be heard in sequence over time,
400
1066000
3000
Bir şarkı zaman içinde bir dizi hâlinde duyulmalıdır,
18:14
and you must play it back in sequence over time.
401
1069000
3000
ve siz de zaman içinde bir dizi hâlinde aklınızdan tekrar çalmalısınız.
18:17
And these sequences are auto-associatively recalled, so if I see something,
402
1072000
3000
Ve bu diziler, oto-çağrışımsal olarak hatırlanır.
18:20
I hear something, it reminds me of it, and then it plays back automatically.
403
1075000
3000
Gördüğüm, duyduğum bir şey bana onu hatırlatırsa, kendiliğinden tekrar çalmaya başlar.
18:23
It's an automatic playback. And prediction of future inputs is the desired output.
404
1078000
4000
Otomatik pleybek. Ve istenen çıktı, gelecek girdilerin tahmin edilmesidir.
18:27
And as I said, the theory must be biologically accurate,
405
1082000
3000
Ve dediğim gibi, teorinin biyolojik açıdan eksiksiz olması lazım;
18:30
it must be testable, and you must be able to build it.
406
1085000
2000
sınanabilir olmalı ve onu kurabilmeniz lazım.
18:32
If you don't build it, you don't understand it. So, one more slide here.
407
1087000
4000
Kurmazsanız, anlamazsınız. Bir slayt daha var.
18:36
What is this going to result in? Are we going to really build intelligent machines?
408
1091000
4000
Bunun sonucu ne olacak? Gerçekten akıllı makineler yapacak mıyız?
18:40
Absolutely. And it's going to be different than people think.
409
1095000
4000
Kesinlikle! Ve bu insanların düşündüğünden farklı olacak.
18:44
No doubt that it's going to happen, in my mind.
410
1099000
3000
Bunu yapacağımıza dair hiç kuşkum yok.
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
Öncelikle, bunu silikondan yapacağız.
18:51
The same techniques we use for building silicon computer memories,
412
1106000
3000
Silikon bilgisayar belleklerinde kullandığımız tekniklerimizi
18:54
we can use for here.
413
1109000
1000
burada da kullanabiliriz.
18:55
But they're very different types of memories.
414
1110000
2000
Ama bunlar çok farklı tür hafızalar,
18:57
And we're going to attach these memories to sensors,
415
1112000
2000
ve bunları sensörlere bağlayacağız,
18:59
and the sensors will experience real-live, real-world data,
416
1114000
3000
ve bu sensörler gerçek hayattan, gerçek dünyadan veriler alacaklar,
19:02
and these things are going to learn about their environment.
417
1117000
2000
ve bu şeyler çevrelerini öğrenecekler.
19:04
Now it's very unlikely the first things you're going to see are like robots.
418
1119000
3000
İlk olarak robotları görme ihtimalimiz çok düşük.
19:07
Not that robots aren't useful and people can build robots.
419
1122000
3000
Robotlar kullanışsız olduğundan veya zaten yapıldığından değil.
19:10
But the robotics part is the hardest part. That's the old brain. That's really hard.
420
1125000
4000
Robotlarla ilgili kısım en zoru. O eski beyin. Orası bayağı zor.
19:14
The new brain is actually kind of easier than the old brain.
421
1129000
2000
Yeni beyin aslında eski beyinden daha kolay.
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
O yüzden ilk yapacaklarımız, çok robotik gerektirmeyen şeyler olacak.
19:19
So you're not going to see C-3PO.
423
1134000
2000
Yani bir C-3PO göremeyeceksiniz.
19:21
You're going to more see things like, you know, intelligent cars
424
1136000
2000
Daha çok, böyle, akıllı arabalar --
19:23
that really understand what traffic is and what driving is
425
1138000
3000
-- trafiğin ve şoförlüğün ne olduğunu anlayan,
19:26
and have learned that certain types of cars with the blinkers on for half a minute
426
1141000
3000
ve sinyal ışığı yarım dakikadır yanan diğer arabaların
19:29
probably aren't going to turn, things like that.
427
1144000
2000
muhtemelen dönmeyeceğini anlayan arabalar.
19:31
(Laughter)
428
1146000
1000
(Kahkahalar)
19:32
We can also do intelligent security systems.
429
1147000
2000
Akıllı güvenlik sistemleri de yapabiliriz.
19:34
Anywhere where we're basically using our brain, but not doing a lot of mechanics.
430
1149000
4000
Beynimizi kullandığımız ama çok mekanik bir şey gerektirmeyen her alanda.
19:38
Those are the things that are going to happen first.
431
1153000
2000
İlk olarak olacak şeyler bunlardır.
19:40
But ultimately, the world's the limit here.
432
1155000
2000
Ama sonuçta, yapılabileceklerin sonu yok.
19:42
I don't know how this is going to turn out.
433
1157000
2000
Bunun sonu nasıl olacak, bilmiyorum.
19:44
I know a lot of people who invented the microprocessor
434
1159000
2000
"Mikro işlemci"yi icat edenlerin çoğunu tanıyorum ve
19:46
and if you talk to them, they knew what they were doing was really significant,
435
1161000
5000
onlarla konuşursanız, yaptıklarının önemli olduğunun farkında olduklarını;
19:51
but they didn't really know what was going to happen.
436
1166000
3000
ama tam olarak ne olacağını bilmediklerini söylerler.
19:54
They couldn't anticipate cell phones and the Internet and all this kind of stuff.
437
1169000
5000
Cep telefonlarını, İnternet'i ve benzer şeyleri kestirememişlerdir.
19:59
They just knew like, hey, they were going to build calculators
438
1174000
2000
Sadece, hesap makineleri ve
20:01
and traffic light controllers. But it's going to be big.
439
1176000
2000
trafik ışığı sistemleri falan yapacaklarını biliyorlardı. Ama çok önemli olacaktı!
20:03
In the same way, this is like brain science and these memories
440
1178000
3000
Aynı şekilde, beyin araştırmaları ve bu bellekler
20:06
are going to be a very fundamental technology, and it's going to lead
441
1181000
3000
çok önemli, etkili teknolojiler hâlini alacaklar ve
20:09
to very unbelievable changes in the next 100 years.
442
1184000
3000
gelecek yüz sene içinde inanılmaz değişikliklere olanak sağlayacaklar.
20:12
And I'm most excited about how we're going to use them in science.
443
1187000
4000
Ve beni en çok heyecanlandıran da bunların bilimdeki kullanım alanları.
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
Sanıyorum sürem bu kadardı, süremi aştım ve konuşmamı da burada
20:19
right there.
445
1194000
1000
bitiriyorum.
Translated by Hakan Ergin
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