TEDGlobal 2007
Kwabena Boahen: A computer that works like the brain
Kwabena Boahen'ın Beyin gibi çalışan bir bilgisayar hakkında konuşması
Filmed:
Readability: 4.2
718,375 views
Araştırmacı Kwabena Boahen-- kafamızın içindeki darmadağınık ve fazla sayıdaki süreçlerin gerçekte küçük,hafif ve çok hızlı bir kompüter oluşturabileceği beklentisiyle-- beynin süperkompüter güçlerini silikon içinde taklit eden olanaklar arıyor.
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
İlk bilgisayarımı gençliğimde, Accra'da büyürken aldım.
00:23
and it was a really cool device.
1
5000
3000
ve gerçekten çok hoş bir cihazdı.
00:26
You could play games with it. You could program it in BASIC.
2
8000
5000
Onunla oyun oynayabilir, onu BASIC dilinde programlayabilirdiniz.
00:31
And I was fascinated.
3
13000
2000
Ve gerçekten etkilenmiştim.
00:33
So I went into the library to figure out how did this thing work.
4
15000
6000
Bu yüzden bu şeyin nasıl çalıştığını öğrenmek için kütüphaneye gittim.
00:39
I read about how the CPU is constantly shuffling data back and forth
5
21000
5000
İşlemcinin (CPU) verileri bellek (RAM) ve
00:44
between the memory, the RAM and the ALU,
6
26000
4000
aritmetik mantık birimi (ALU) arasında
00:48
the arithmetic and logic unit.
7
30000
2000
nasıl sürekli ileri geri aktardığını okudum.
00:50
And I thought to myself, this CPU really has to work like crazy
8
32000
4000
Ve kendi kendime düşündüm ki, bu CPU, tüm bu veriyi
00:54
just to keep all this data moving through the system.
9
36000
4000
sistemin orasından orasına taşımak için gerçekten deli gibi çalışıyor olmalı
00:58
But nobody was really worried about this.
10
40000
3000
Ancak bunun hakkında pek endişe eden de yoktu.
01:01
When computers were first introduced,
11
43000
2000
Bilgisayarlar ilk çıktığında,
01:03
they were said to be a million times faster than neurons.
12
45000
3000
sinirlerden milyon kat hızlı oldukları söylenmişti.
01:06
People were really excited. They thought they would soon outstrip
13
48000
5000
İnsanlar etkilenmişti, yakında beynin kapasitesini
01:11
the capacity of the brain.
14
53000
3000
geçeceklerini düşündüler.
01:14
This is a quote, actually, from Alan Turing:
15
56000
3000
Alan Turing'den bir söz:
01:17
"In 30 years, it will be as easy to ask a computer a question
16
59000
4000
"30 yıl içerisinde, bilgisayara bir soru sormak,
01:21
as to ask a person."
17
63000
2000
insana soru sormak kadar kolay olacak."
01:23
This was in 1946. And now, in 2007, it's still not true.
18
65000
7000
Bu 1946 yılındaydı. Şimdi 2007 yılındayız, söz hala doğru değil.
01:30
And so, the question is, why aren't we really seeing
19
72000
4000
Soru şu, beyinde gördüğümüz ölçekteki güçleri
01:34
this kind of power in computers that we see in the brain?
20
76000
4000
neden bilgisayarda göremiyoruz?
01:38
What people didn't realize, and I'm just beginning to realize right now,
21
80000
4000
İnsanların fark edemediği, benim ise şimdilerde fark etmeye başladığım şey,
01:42
is that we pay a huge price for the speed
22
84000
2000
bu bilgisayarların büyük avatajı olan hız için
01:44
that we claim is a big advantage of these computers.
23
86000
4000
büyük bir bedel ödüyor olmamız.
01:48
Let's take a look at some numbers.
24
90000
2000
Haydi biraz da bazı verilere bakalım.
01:50
This is Blue Gene, the fastest computer in the world.
25
92000
4000
Bu, Blue Gene, dünyadaki en hızlı bilgisayar.
01:54
It's got 120,000 processors; they can basically process
26
96000
5000
120,000 işlemciye sahip. Saniyede 10 katrilyon
01:59
10 quadrillion bits of information per second.
27
101000
3000
bit bilgi işleyebilmekte.
02:02
That's 10 to the sixteenth. And they consume one and a half megawatts of power.
28
104000
7000
Bu 10 üzeri 16 demek. Ve bir buçuk megawatt güç harcıyor.
02:09
So that would be really great, if you could add that
29
111000
3000
Eğer bu miktarı Tanzanya'nın üretim kapasitesine
02:12
to the production capacity in Tanzania.
30
114000
2000
ekleyebilseydiniz harika olurdu.
02:14
It would really boost the economy.
31
116000
2000
Ekonomiyi cidden canlandırırdı.
02:16
Just to go back to the States,
32
118000
4000
Amerika'ya dönelim,
02:20
if you translate the amount of power or electricity
33
122000
2000
Eğer bu bilgisayarın kullandığı elektrik enerjisi miktarını
02:22
this computer uses to the amount of households in the States,
34
124000
3000
ABD'deki evlerin güç tüketimine oranlayacak olursanız,
02:25
you get 1,200 households in the U.S.
35
127000
4000
1200 ev gibi bir rakam elde edersiniz.
02:29
That's how much power this computer uses.
36
131000
2000
İşte bu bilgisayarın tükettiği güç miktarı.
02:31
Now, let's compare this with the brain.
37
133000
3000
Şimdi, bunu beyinle karşılaştıralım.
02:34
This is a picture of, actually Rory Sayres' girlfriend's brain.
38
136000
5000
Bu, Rory Sayres'in kız arkadaşının beyninin fotoğrafı.
02:39
Rory is a graduate student at Stanford.
39
141000
2000
Rory, Stanford'da bir yüksek lisans öğrencisi.
02:41
He studies the brain using MRI, and he claims that
40
143000
4000
Beyin üzerinde MRI kullanarak çalışmalar yapıyor ve iddia ediyor ki
02:45
this is the most beautiful brain that he has ever scanned.
41
147000
3000
bu şimdiye kadar tarattığı en güzel beyin.
02:48
(Laughter)
42
150000
2000
(Gülüşmeler)
02:50
So that's true love, right there.
43
152000
3000
İşte bu gerçek aşk, tam burada.
02:53
Now, how much computation does the brain do?
44
155000
3000
Şimdi, beyin ne kadar hesaplama yapıyor?
02:56
I estimate 10 to the 16 bits per second,
45
158000
2000
Yaklaşık olarak saniyede 10 üzeri 16 bit,
02:58
which is actually about very similar to what Blue Gene does.
46
160000
4000
aslında Blue Gene'in yaptığına çok yakın.
03:02
So that's the question. The question is, how much --
47
164000
2000
İşte soru bu. Soru: ne kadar --
03:04
they are doing a similar amount of processing, similar amount of data --
48
166000
3000
benzer miktarda işlem yapıyorlar, benzer miktarda veri var --
03:07
the question is how much energy or electricity does the brain use?
49
169000
5000
soru: "beyin ne kadar enerji veya elektrik tüketiyor?".
03:12
And it's actually as much as your laptop computer:
50
174000
3000
Ve aslında sadece dizüstü bilgisayarınız kadar:
03:15
it's just 10 watts.
51
177000
2000
Sadece 10 watt.
03:17
So what we are doing right now with computers
52
179000
3000
O zaman bizim şu anda bilgisayarlarla
03:20
with the energy consumed by 1,200 houses,
53
182000
3000
1200 evin tükettiği enerjiyi tüketerek yaptığımız işi
03:23
the brain is doing with the energy consumed by your laptop.
54
185000
5000
beyin, dizüstü bilgisayarınız kadar enerji tüketerek yapıyor.
03:28
So the question is, how is the brain able to achieve this kind of efficiency?
55
190000
3000
Şu halde soru şu, beyin, bu denli verimliliği nasıl elde ediyor?
03:31
And let me just summarize. So the bottom line:
56
193000
2000
Ve özetlememe izin verin.
03:33
the brain processes information using 100,000 times less energy
57
195000
4000
Beyin bilgiyi, halihazırdaki bilgisayar teknolojisine gore
03:37
than we do right now with this computer technology that we have.
58
199000
4000
100,000 kat daha az enerji harcayarak işliyor.
03:41
How is the brain able to do this?
59
203000
2000
Peki beyin bunu nasıl başarıyor?
03:43
Let's just take a look about how the brain works,
60
205000
3000
Haydi beynin nasıl çalıştığına bir bakalım,
03:46
and then I'll compare that with how computers work.
61
208000
4000
ve bilgisayarların nasıl çalıştığıyla karşılaştıralım.
03:50
So, this clip is from the PBS series, "The Secret Life of the Brain."
62
212000
4000
Bu kısa film "Beynin Gizli Hayatı" isimli PBS belgeselinden.
03:54
It shows you these cells that process information.
63
216000
3000
Bilgi işleyen hücreleri gösteriyor.
03:57
They are called neurons.
64
219000
1000
Bunlara "nöron" denir.
03:58
They send little pulses of electricity down their processes to each other,
65
220000
6000
İşlem sırasında birbirlerine küçük elektrik atımları gönderirler,
04:04
and where they contact each other, those little pulses
66
226000
2000
ve birbirlerine dokundukları yerlerde bu küçük elektrik atımları,
04:06
of electricity can jump from one neuron to the other.
67
228000
2000
bir nörondan diğerine atlar.
04:08
That process is called a synapse.
68
230000
3000
Bu işleme "sinaps" denir.
04:11
You've got this huge network of cells interacting with each other --
69
233000
2000
Yani elimizde birbirleriyle saniyede yaklaşık 10 katrilyon atım göndererek
04:13
about 100 million of them,
70
235000
2000
haberleşen 100 milyon kadar hücreden oluşan
04:15
sending about 10 quadrillion of these pulses around every second.
71
237000
4000
devasa bir ağ var.
04:19
And that's basically what's going on in your brain right now as you're watching this.
72
241000
6000
Ve siz bu konuşmayı izlerken beyninizde olup biten de bu.
04:25
How does that compare with the way computers work?
73
247000
2000
Şimdi bunu bilgisayarların nasıl çalıştığıyla karşılaştıralım.
04:27
In the computer, you have all the data
74
249000
2000
Bilgisayardda bütün bilgi
04:29
going through the central processing unit,
75
251000
2000
işlemciden (CPU) geçer,
04:31
and any piece of data basically has to go through that bottleneck,
76
253000
3000
ve her veri parçası bu darboğazdan geçmek zorundadır.
04:34
whereas in the brain, what you have is these neurons,
77
256000
4000
Beyinde ise nöronlar var ve veriler
04:38
and the data just really flows through a network of connections
78
260000
4000
bu nöronlar arasındaki bağlantı ağı içinde akar,
04:42
among the neurons. There's no bottleneck here.
79
264000
2000
burada bir darboğaz yok.
04:44
It's really a network in the literal sense of the word.
80
266000
4000
Bu kelimenin tam anlamıyla bir "ağ"dır
04:48
The net is doing the work in the brain.
81
270000
4000
Beyinde işleri bu ağ halleder.
04:52
If you just look at these two pictures,
82
274000
2000
Bu iki resme bakarsanız,
04:54
these kind of words pop into your mind.
83
276000
2000
aklınıza iki kelime gelir.
04:56
This is serial and it's rigid -- it's like cars on a freeway,
84
278000
4000
Bu "seri ve katı": otoyoldaki arabalar gibi --
05:00
everything has to happen in lockstep --
85
282000
3000
herşey sırayla olmalı.
05:03
whereas this is parallel and it's fluid.
86
285000
2000
Bu ise paralel ve akıcı.
05:05
Information processing is very dynamic and adaptive.
87
287000
3000
Bilgi işleme oldukça dinamik ve adaptif.
05:08
So I'm not the first to figure this out. This is a quote from Brian Eno:
88
290000
4000
Tabi ki bunu tek farkeden ben değilim: Brian Eno'dan bir alıntı:
05:12
"the problem with computers is that there is not enough Africa in them."
89
294000
4000
"Bilgisayarların sorunu, içlerinde yeterince Afrika olmaması."
05:16
(Laughter)
90
298000
6000
(Gülüşmeler)
05:22
Brian actually said this in 1995.
91
304000
3000
Brian bunu 1995'te söyledi.
05:25
And nobody was listening then,
92
307000
3000
O zamanlarda dinleyen yoktu,
05:28
but now people are beginning to listen
93
310000
2000
ama şimdi dinlemeye başlıyorlar,
05:30
because there's a pressing, technological problem that we face.
94
312000
5000
çünkü karşımızda acil, teknolojik bir problem var
05:35
And I'll just take you through that a little bit in the next few slides.
95
317000
5000
Sıradaki bir kaç slaytta size biraz bundan bahsedeceğim.
05:40
This is -- it's actually really this remarkable convergence
96
322000
4000
Bu -- bilgisayarlarda hesap yapmak için kullandığımız araçlarla,
05:44
between the devices that we use to compute in computers,
97
326000
5000
beynimizin hesap yapmak için kullandığı araçların
05:49
and the devices that our brains use to compute.
98
331000
4000
önemli bir yakınsaması.
05:53
The devices that computers use are what's called a transistor.
99
335000
4000
Bilgisayarların kullandığı araçlara "transistör" deniyor.
05:57
This electrode here, called the gate, controls the flow of current
100
339000
4000
Buradaki, "kapı" adı verilen elektrot,
06:01
from the source to the drain -- these two electrodes.
101
343000
3000
"kaynak"tan "toplayıcı"ya giden akımı kontrol eder.
06:04
And that current, electrical current,
102
346000
2000
Ve bu akım, elektrik akımı,
06:06
is carried by electrons, just like in your house and so on.
103
348000
6000
evinizin içinde olduğu gibi, elektronlar tarafından taşınır.
06:12
And what you have here is, when you actually turn on the gate,
104
354000
5000
Burada gördüğümüz ise, "kapı"yı açtığınızda,
06:17
you get an increase in the amount of current, and you get a steady flow of current.
105
359000
4000
akım miktarında bir artış görürsünüz, sabit bir akım vardır.
06:21
And when you turn off the gate, there's no current flowing through the device.
106
363000
4000
"Kapı"yı kapattığınızda ise cihazdan geçen bir akım yoktur.
06:25
Your computer uses this presence of current to represent a one,
107
367000
5000
Bilgisayar, akımın olduğu durumu bir "1",
06:30
and the absence of current to represent a zero.
108
372000
4000
olmadığı durumu ise bir 0 (sıfır) göstermek için kullanır.
06:34
Now, what's happening is that as transistors are getting smaller and smaller and smaller,
109
376000
6000
Bugünlerde olan şu: transistörler gittikçe küçülüyor, küçülüyor, küçülüyorlar.
06:40
they no longer behave like this.
110
382000
2000
Ve artık bu şekilde davranmıyorlar.
06:42
In fact, they are starting to behave like the device that neurons use to compute,
111
384000
5000
Aslında, yavaş yavaş nöronların hesap yapmak için kullandıkları cihaza benziyorlar,
06:47
which is called an ion channel.
112
389000
2000
buna "iyon kanalı" deniyor.
06:49
And this is a little protein molecule.
113
391000
2000
Ve bu, küçük bir protein molekülü.
06:51
I mean, neurons have thousands of these.
114
393000
4000
Nöronlarda bundan binlerce var.
06:55
And it sits in the membrane of the cell and it's got a pore in it.
115
397000
4000
Hücre zarında duruyor ve ortasında bir gözeneği var.
06:59
And these are individual potassium ions
116
401000
3000
Bunlar da o gözenekten geçen
07:02
that are flowing through that pore.
117
404000
2000
potasyum iyonları.
07:04
Now, this pore can open and close.
118
406000
2000
Şimdi, bu gözenek açılıp kapanabiliyor.
07:06
But, when it's open, because these ions have to line up
119
408000
5000
Ama, açık olduğu zaman, bu iyonlar sıraya dizilip,
07:11
and flow through, one at a time, you get a kind of sporadic, not steady --
120
413000
5000
her seferinde bir tanesi geçebileceği için, dağınık
07:16
it's a sporadic flow of current.
121
418000
3000
düzensiz bir akış var.
07:19
And even when you close the pore -- which neurons can do,
122
421000
3000
Gözeneği kapatsanız bile -- ki nöronlar bunu yapıyorlar,
07:22
they can open and close these pores to generate electrical activity --
123
424000
5000
elektrik aktivitesi yaratmak için bu gözenekler açılıp kapatılır.
07:27
even when it's closed, because these ions are so small,
124
429000
3000
kapalı olsa bile, bu iyonlar çok küçük oldukları için,
07:30
they can actually sneak through, a few can sneak through at a time.
125
432000
3000
bir seferde bir kaç tanesi aradan geçebilir.
07:33
So, what you have is that when the pore is open,
126
435000
3000
Yani elimizde şu var: Gözenek açık olduğu zaman,
07:36
you get some current sometimes.
127
438000
2000
düzensiz de olsa bir akım var.
07:38
These are your ones, but you've got a few zeros thrown in.
128
440000
3000
Bu sizin "1"iniz, ama aralara serpiştirilmiş "0"lar da var.
07:41
And when it's closed, you have a zero,
129
443000
4000
Kapalı olduğu zaman da "0" demek,
07:45
but you have a few ones thrown in.
130
447000
3000
ama aralarda "1"ler de var, tamam.
07:48
Now, this is starting to happen in transistors.
131
450000
3000
Şimdi, aynı şey transistörlerde de olmaya başlıyor.
07:51
And the reason why that's happening is that, right now, in 2007 --
132
453000
5000
Bunun olmasının sebebi de, şu an, 2007'de,
07:56
the technology that we are using -- a transistor is big enough
133
458000
4000
elemizdeki teknolojiyle ürettiğimiz transistörler,
08:00
that several electrons can flow through the channel simultaneously, side by side.
134
462000
5000
içinden çok sayıda elektronun yan yana geçebileceği kadar büyükler.
08:05
In fact, there's about 12 electrons can all be flowing this way.
135
467000
4000
Aslında, yaklaşık 12 elektron transistörden bu şekilde geçebiliyor.
08:09
And that means that a transistor corresponds
136
471000
2000
Bu da, bir transistörün, 12 paralel iyon kanalına
08:11
to about 12 ion channels in parallel.
137
473000
3000
denk geldiği anlamına geliyor.
08:14
Now, in a few years time, by 2015, we will shrink transistors so much.
138
476000
5000
Şimdi, bir kaç sene içinde, 2015'e kadar, transistörleri çok küçülteceğiz.
08:19
This is what Intel does to keep adding more cores onto the chip.
139
481000
5000
Intel, yongalarına (mikro çip) daha fazla çekirdek eklemek için bunu yapıyor.
08:24
Or your memory sticks that you have now can carry one gigabyte
140
486000
3000
Hafıza çubuklarınızda 1 gigabayt veri taşıyabiliyorsunuz,
08:27
of stuff on them -- before, it was 256.
141
489000
2000
eskiden bu 256 megabayttı.
08:29
Transistors are getting smaller to allow this to happen,
142
491000
3000
Bunun olabilmesi için transistörler gittikçe küçülüyor,
08:32
and technology has really benefitted from that.
143
494000
3000
ve teknoloji bundan gerçekten de faydalandı.
08:35
But what's happening now is that in 2015, the transistor is going to become so small,
144
497000
5000
Fakat 2015 yılında, transistörler o kadar küçülmüş olacak ki,
08:40
that it corresponds to only one electron at a time
145
502000
3000
kanaldan aynı anda sadece
08:43
can flow through that channel,
146
505000
2000
bir elektron geçebilecek,
08:45
and that corresponds to a single ion channel.
147
507000
2000
ve bu da
08:47
And you start having the same kind of traffic jams that you have in the ion channel.
148
509000
4000
Ve iyon kanalında meydana gelene benzer trafik sıkışıklıkları görmeye başlıyorsunuz,
08:51
The current will turn on and off at random,
149
513000
3000
akım açık olması gerekirken bile,
08:54
even when it's supposed to be on.
150
516000
2000
raslantısal bir şekilde açılıp kapanacak.
08:56
And that means your computer is going to get
151
518000
2000
Bu yüzden bilgisayarınız "1" ve "0"larını karıştıracak,
08:58
its ones and zeros mixed up, and that's going to crash your machine.
152
520000
4000
ve bu da çakılmasına sebep olacak.
09:02
So, we are at the stage where we
153
524000
4000
Şimdi, bu türden cihazlarla nasıl
09:06
don't really know how to compute with these kinds of devices.
154
528000
3000
hesap yapacağımızı bilemediğimiz bir noktadayız.
09:09
And the only kind of thing -- the only thing we know right now
155
531000
3000
Ve bu türden cihazlarla hesap yapabilen, hesap yapabildiğini bildiğimiz,
09:12
that can compute with these kinds of devices are the brain.
156
534000
3000
tek şey beyin.
09:15
OK, so a computer picks a specific item of data from memory,
157
537000
4000
Tamam,o halde bilgisayar bellekten bir veri parçası alıyor,
09:19
it sends it into the processor or the ALU,
158
541000
3000
onu işlemciye ya da ALU'ya gönderiyor,
09:22
and then it puts the result back into memory.
159
544000
2000
ve sonra da sonucu belleğe geri koyuyor.
09:24
That's the red path that's highlighted.
160
546000
2000
Beliren kırmızı renkli yol şeklinde.
09:26
The way brains work, I told you all, you have got all these neurons.
161
548000
4000
Beyinlerin çalışmasında, bütün bu nöronlara sahipsiniz.
09:30
And the way they represent information is
162
552000
2000
Ve onların bilgiyi temsil etme şekli
09:32
they break up that data into little pieces
163
554000
2000
verileri kısa bölümler ve farklı nöronlar tarafından
09:34
that are represented by pulses and different neurons.
164
556000
3000
temsil edilecek şekilde ufak parçalar haline getirmek.
09:37
So you have all these pieces of data
165
559000
2000
Böylece şebekenin tamamına dağıtılmış
09:39
distributed throughout the network.
166
561000
2000
bütün veri bölümlerine sahipsiniz.
09:41
And then the way that you process that data to get a result
167
563000
3000
Ve sonra verilerin işlenmesiyle hedefe ulaşmada izlenecek yol,
09:44
is that you translate this pattern of activity into a new pattern of activity,
168
566000
4000
sizin şebekenin içindeki akışı sağlamanız yoluyla
09:48
just by it flowing through the network.
169
570000
3000
bu aktivite biçimini yeni bir aktivite biçimine dönüştürmektir.
09:51
So you set up these connections
170
573000
2000
Ve bağlantıları kurarsınız,
09:53
such that the input pattern just flows
171
575000
3000
giriş paterni ilerler
09:56
and generates the output pattern.
172
578000
2000
ve çıkış paterni oluşur.
09:58
What you see here is that there's these redundant connections.
173
580000
4000
Burada gördüğünüz (yine) bu fazla sayıdaki bağlantıların varlığıdır.
10:02
So if this piece of data or this piece of the data gets clobbered,
174
584000
4000
Bir kez bu data parçası ya da şu data parçası işlenirse
10:06
it doesn't show up over here, these two pieces can activate the missing part
175
588000
5000
kendini burada göstermezl, diğer bağlantıların yardımıyla
10:11
with these redundant connections.
176
593000
2000
bu iki parça ortada görünmeyen parçayı aktive eder.
10:13
So even when you go to these crappy devices
177
595000
2000
Böylece bazen bir koyup ta sıfır aldığınız
10:15
where sometimes you want a one and you get a zero, and it doesn't show up,
178
597000
3000
işe yaramaz aletlerle çalışsanız bile
10:18
there's redundancy in the network
179
600000
2000
şebekede fazladan varolan güç
10:20
that can actually recover the missing information.
180
602000
3000
kaybolan bilgiyi hakikaten geri getirir.
10:23
It makes the brain inherently robust.
181
605000
3000
Bu beyni doğal açıdan güçlü kılar.
10:26
What you have here is a system where you store data locally.
182
608000
3000
Burada verileri bölgesel olarak depolayan bir sisteminiz var.
10:29
And it's brittle, because each of these steps has to be flawless,
183
611000
4000
Ve bu sistem hassastır, çünkü bu basamaklardan her biri kusursuz olmalıdır,
10:33
otherwise you lose that data, whereas in the brain, you have a system
184
615000
3000
aksi taktirde veriyi kaybedersiniz. Halbuki beyinde verileri
10:36
that stores data in a distributed way, and it's robust.
185
618000
4000
dağınık biçimde depolayan bir sisteme sahipsiniz, ve o sağlamdır.
10:40
What I want to basically talk about is my dream,
186
622000
4000
Benim esas olarak anlatmak istediğim şey
10:44
which is to build a computer that works like the brain.
187
626000
3000
beyin gibi çalışan bir bilgisayar yapma hayalim.
10:47
This is something that we've been working on for the last couple of years.
188
629000
4000
Bu son iki yıldır üzerinde çalıştığımız bir şey.
10:51
And I'm going to show you a system that we designed
189
633000
3000
Ve size retinayı modellemek için geliştirdiğimiz
10:54
to model the retina,
190
636000
3000
bir sistem göstermek istiyorum.
10:57
which is a piece of brain that lines the inside of your eyeball.
191
639000
5000
Bu da göz kürenizin içine doğru uzanan bir parçacık beyin.
11:02
We didn't do this by actually writing code, like you do in a computer.
192
644000
6000
Biz bunu bilgisayarda yapıdığı gibi bir kodlama yazarak yapmadık.
11:08
In fact, the processing that happens
193
650000
3000
Esasında, bu ufak beyin parçasındaki işlemleme
11:11
in that little piece of brain is very similar
194
653000
2000
bilgisayarların internet üzerinden
11:13
to the kind of processing that computers
195
655000
1000
video göndermelerine
11:14
do when they stream video over the Internet.
196
656000
4000
çok benzer bir işlemlemedir.
11:18
They want to compress the information --
197
660000
1000
Bilgileri sıkıştırma yoluyla--
11:19
they just want to send the changes, what's new in the image, and so on --
198
661000
4000
görüntüde yeni olana ait değişikliklerin gönderilmesi--
11:23
and that is how your eyeball
199
665000
3000
ve bu da beyne gönderilecek bilginin
11:26
is able to squeeze all that information down to your optic nerve,
200
668000
3000
önce göz kürelerinizin içinden sıkışmış olarak
11:29
to send to the rest of the brain.
201
671000
2000
görme sinirine aktarılması gibi bir işleme benzer.
11:31
Instead of doing this in software, or doing those kinds of algorithms,
202
673000
3000
Bunları yazılım olarak hazırlamak ya da bir takım algoritmalar yapmak yerine,
11:34
we went and talked to neurobiologists
203
676000
3000
nörobiyologlara gittik ve onlarla konuştuk
11:37
who have actually reverse engineered that piece of brain that's called the retina.
204
679000
4000
ki onlar esasında retina denilen beyin parçasında bu mühendisliği sanki
11:41
And they figured out all the different cells,
205
683000
2000
tersinden yapan ve bütün farklı hücreleri de belirleyen kişiler oluyorlar,
11:43
and they figured out the network, and we just took that network
206
685000
3000
ve şebekeyi ortaya koydular, biz bu şebekeyi aldık
11:46
and we used it as the blueprint for the design of a silicon chip.
207
688000
4000
ve bir silikon çipin tasarımında plan olarak kullandık.
11:50
So now the neurons are represented by little nodes or circuits on the chip,
208
692000
6000
Böylelikle artık nöronlar çipin üzerinde ufak nodlar ya da çevrimler halinde temsil ediliyorlar,
11:56
and the connections among the neurons are represented, actually modeled by transistors.
209
698000
5000
ve nöronların arasındaki bağlantılar transistörler tarafından modelleniyorlar.
12:01
And these transistors are behaving essentially
210
703000
2000
Ve bu transistörler beyinde iyon kanalları
12:03
just like ion channels behave in the brain.
211
705000
3000
nasıl davranıyorsa öyle davranıyorlar.
12:06
It will give you the same kind of robust architecture that I described.
212
708000
5000
Ve o tanımladığımla aynı özellikleri gösteren güvenli bir yapılanma verecek.
12:11
Here is actually what our artificial eye looks like.
213
713000
4000
Burada bizim yapay gözün neye benzediği görülüyor.
12:15
The retina chip that we designed sits behind this lens here.
214
717000
5000
Tasarladığımız retina çipi burada lensin arkasında görülüyor.
12:20
And the chip -- I'm going to show you a video
215
722000
2000
Ve çip-- size bir video göstereceğim
12:22
that the silicon retina put out of its output
216
724000
3000
silikon retina
12:25
when it was looking at Kareem Zaghloul,
217
727000
3000
bu çipi tasarlayan öğrenci Karem Zaghloul'a baktığı zaman
12:28
who's the student who designed this chip.
218
730000
2000
kendi çıktısını bozarak değiştiriyor.
12:30
Let me explain what you're going to see, OK,
219
732000
2000
Ne göreceksiniz açıklayayım, Pekala.
12:32
because it's putting out different kinds of information,
220
734000
3000
Farklı bilgilerle çıktısını değiştirdiği için
12:35
it's not as straightforward as a camera.
221
737000
2000
o sadece bir kamera gibi kaydetmiyor.
12:37
The retina chip extracts four different kinds of information.
222
739000
3000
Çip retina dört farklı türden bilgiyi ayırıp çıkarıyor.
12:40
It extracts regions with dark contrast,
223
742000
3000
koyu renkli alanları ayırıyor,
12:43
which will show up on the video as red.
224
745000
3000
ki bunlar videoda kırmızı olarak görünecek.
12:46
And it extracts regions with white or light contrast,
225
748000
4000
Ve beyaz ya da açık renkli alanları ayırıyor,
12:50
which will show up on the video as green.
226
752000
2000
ki videoda yeşil olarak görünecek.
12:52
This is Kareem's dark eyes
227
754000
2000
Bu Kareem'in koyu renkli gözleri
12:54
and that's the white background that you see here.
228
756000
3000
ve burada görmüş olduğunuz da beyaz zemin.
12:57
And then it also extracts movement.
229
759000
2000
Ve (üçüncü olarak) harekete duyarlıdır.
12:59
When Kareem moves his head to the right,
230
761000
2000
Kareem başını sağa doğru çevirdiği zaman
13:01
you will see this blue activity there;
231
763000
2000
mavi aktiviteyi görmüş olacaksınız.
13:03
it represents regions where the contrast is increasing in the image,
232
765000
3000
bu, görüntüde kontrastın
13:06
that's where it's going from dark to light.
233
768000
3000
koyudan açığa doğru arttığı alanları temsil ediyor.
13:09
And you also see this yellow activity,
234
771000
2000
Ve aynı zamanda kontrastın
13:11
which represents regions where contrast is decreasing;
235
773000
4000
açıktan koyuya doğru azaldığı bölgeleri
13:15
it's going from light to dark.
236
777000
2000
temsil eden sarı aktiviteyi göreceksiniz.
13:17
And these four types of information --
237
779000
3000
Ve bunlar bilginin dört tipi olmuş oluyor --
13:20
your optic nerve has about a million fibers in it,
238
782000
4000
optik siniriniz içinde bir milyon kadar life sahiptir,
13:24
and 900,000 of those fibers
239
786000
3000
ve bu liflerin 900,000 'i
13:27
send these four types of information.
240
789000
2000
bu dört çeşit bilgiyi iletir.
13:29
So we are really duplicating the kind of signals that you have on the optic nerve.
241
791000
4000
Böylece biz gerçekten optik sinirinizdeki sinyallerin kopyasını yapmış oluyoruz.
13:33
What you notice here is that these snapshots
242
795000
3000
Burada retina çipin çıktısından alınan
13:36
taken from the output of the retina chip are very sparse, right?
243
798000
4000
ardısıra görüntülerin çok dağınık olduğunu farkediyorsunuz.
13:40
It doesn't light up green everywhere in the background,
244
802000
2000
Zeminin her yerinde yeşil renk parlamıyor,
13:42
only on the edges, and then in the hair, and so on.
245
804000
3000
sadece kenarlarda, ve bu böyle devam ediyor.
13:45
And this is the same thing you see
246
807000
1000
İnsanlar göndermek için videoyu sıkıştırdıkları zaman
13:46
when people compress video to send: they want to make it very sparse,
247
808000
4000
bakın aynı şeyi görüyorsunuz : dosya küçük olduğundan
13:50
because that file is smaller. And this is what the retina is doing,
248
812000
3000
dağınık yapmak istiyorlar.. Ve bu da retinanın yaptığı gibi bir iş,
13:53
and it's doing it just with the circuitry, and how this network of neurons
249
815000
4000
ve onu bir devre içinde yapıyor, ve orada nöronlar şebeke içinde
13:57
that are interacting in there, which we've captured on the chip.
250
819000
3000
nasıl bir iletişime geçiyorlarsa, biz bunu çip üzerinde başardık.
14:00
But the point that I want to make -- I'll show you up here.
251
822000
3000
Ama ben göstermek istediğim noktayı size burada göstereceğim.
14:03
So this image here is going to look like these ones,
252
825000
3000
Buradaki görüntü diğerlerine benzeyecek,
14:06
but here I'll show you that we can reconstruct the image,
253
828000
2000
ama burada size göstermek istediğim şey bunu yeniden yapılandırabilmemiz,
14:08
so, you know, you can almost recognize Kareem in that top part there.
254
830000
5000
Kareem'i üst bölümde herhalde tanıyacaksınız.
14:13
And so, here you go.
255
835000
2000
İşte böyle.
14:24
Yes, so that's the idea.
256
846000
3000
Evet, aynı zamanda fikri de.
14:27
When you stand still, you just see the light and dark contrasts.
257
849000
2000
Biraz devam ederseniz açık ve koyu kontrastları da göreceksiniz.
14:29
But when it's moving back and forth,
258
851000
2000
Ama öne ve arkaya hareket ettiği zaman,
14:31
the retina picks up these changes.
259
853000
3000
retina bu değişimleri de yakalar.
14:34
And that's why, you know, when you're sitting here
260
856000
1000
Ve bilirsiniz ki, burada oturduğunuz zaman
14:35
and something happens in your background,
261
857000
2000
sizin zemininizde bir şeyler olursa,
14:37
you merely move your eyes to it.
262
859000
2000
sadece ona doğru gözlerinizi hareket ettirirsiniz.
14:39
There are these cells that detect change
263
861000
2000
Değişimi belirleyen hücreler vardır
14:41
and you move your attention to it.
264
863000
2000
ve siz dikkatinizin yönünü ona doğru değiştirirsiniz.
14:43
So those are very important for catching somebody
265
865000
2000
Ve bunlar size gizlice yaklaşmak isteyenleri
14:45
who's trying to sneak up on you.
266
867000
2000
farketmeniz için çok önemlidir.
14:47
Let me just end by saying that this is what happens
267
869000
3000
Bitirirken söylemek isterim ki,
14:50
when you put Africa in a piano, OK.
268
872000
3000
Afrika'yı piyano içine koyarsanız, bu gerçekleşir.
14:53
This is a steel drum here that has been modified,
269
875000
3000
Bu bir geliştirilmiş çelikten davul
14:56
and that's what happens when you put Africa in a piano.
270
878000
3000
ve bu da Afrika'yı piyano içine koyduğunuz zaman olan.
14:59
And what I would like us to do is put Africa in the computer,
271
881000
4000
Ve bizlerin yapmasını istediğim şey Afrika'yı bilgisayar içine koyup,
15:03
and come up with a new kind of computer
272
885000
2000
düşünce, hayal üreten, yaratıcı olan ve
15:05
that will generate thought, imagination, be creative and things like that.
273
887000
3000
bu gibi şeyleri yapan yeni tür bir bilgisayarla ortaya çıkmak.
15:08
Thank you.
274
890000
2000
Teşekkür ederim
15:10
(Applause)
275
892000
2000
(Alkışlar)
15:12
Chris Anderson: Question for you, Kwabena.
276
894000
2000
Chris Anderson : Sana bir soru, Kwabena.
15:14
Do you put together in your mind the work you're doing,
277
896000
4000
Zihninde, yaptığın çalışmaları,
15:18
the future of Africa, this conference --
278
900000
3000
Afrika'nın geleceğini, bu konferansı--
15:21
what connections can we make, if any, between them?
279
903000
3000
biraraya koysan ne tür bağlantılar yapabiliriz, eğer varsa,aralarında?
15:24
Kwabena Boahen: Yes, like I said at the beginning,
280
906000
2000
Kwabena Boahen : Evet, başlangıçta da söylediğim gibi.
15:26
I got my first computer when I was a teenager, growing up in Accra.
281
908000
4000
İlk bilgisayarımı gençliğimde, Accra'da büyürken aldım.
15:30
And I had this gut reaction that this was the wrong way to do it.
282
912000
4000
Ve bunu yapmamın doğru olmadığını belirten acımasız bir tepki aldım.
15:34
It was very brute force; it was very inelegant.
283
916000
3000
acımasızca ve düşüncesizceydi.
15:37
I don't think that I would've had that reaction,
284
919000
2000
Eğer bütün bu bilim kurguyu okuyarak,
15:39
if I'd grown up reading all this science fiction,
285
921000
3000
RD2D''yi duyarak ve ne denilirse denilsin--size kalmış--
15:42
hearing about RD2D2, whatever it was called, and just -- you know,
286
924000
4000
bilgisayarlar hakkındaki ucuz reklamlardan etkilenerek
15:46
buying into this hype about computers.
287
928000
1000
büyümüş olsaydım bu tür bir tepkiyi almazdım.
15:47
I was coming at it from a different perspective,
288
929000
2000
Ben farklı bir görüş açısından geliyordum,
15:49
where I was bringing that different perspective
289
931000
2000
bu görüş açısını problemin
15:51
to bear on the problem.
290
933000
2000
çözümü için getiriyordum.
15:53
And I think a lot of people in Africa have this different perspective,
291
935000
3000
Ve bana göre Afrika'daki bir çok insan bu farklı görüş açısına sahip
15:56
and I think that's going to impact technology.
292
938000
2000
ve bunun teknolojiyi etkileyeceğini düşünüyorum.
15:58
And that's going to impact how it's going to evolve.
293
940000
2000
Ve bu etkilenme onun nasıl gelişeceği doğrultusunda olacak.
16:00
And I think you're going to be able to see, use that infusion,
294
942000
2000
Ve bu etkileşimin
16:02
to come up with new things,
295
944000
2000
yeni sonuçlara yol açacağını görebileceksiniz.
16:04
because you're coming from a different perspective.
296
946000
3000
çünkü siz farklı bir görüş açısından geliyorsunuz.
16:07
I think we can contribute. We can dream like everybody else.
297
949000
4000
Biz de herkes gibi katkıda bulunabiliriz, hayal edebiliriz.
16:11
CA: Thanks Kwabena, that was really interesting.
298
953000
2000
Chris Anderson: Teşekkürler Kwabena, gerçekten çok ilginçti.
16:13
Thank you.
299
955000
1000
Teşekkür ederim.
16:14
(Applause)
300
956000
2000
(Alkışlar)
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