I do two things: I design mobile computers and I study brains. Today's talk is about brains and -- (Audience member cheers) Yay! I have a brain fan out there.
Faccio due cose: progetto computer portatili e studio cervelli. E il discorso di oggi riguarda i cervelli e, Urrà, da qualche parte là fuori ho un tifoso del cervello
(Laughter) If I could have my first slide, you'll see the title of my talk and my two affiliations. So what I'm going to talk about is why we don't have a good brain theory, why it is important that we should develop one and what we can do about it. I'll try to do all that in 20 minutes. I have two affiliations. Most of you know me from my Palm and Handspring days, but I also run a nonprofit scientific research institute called the Redwood Neuroscience Institute in Menlo Park. We study theoretical neuroscience and how the neocortex works. I'm going to talk all about that.
(Risate) Sto per, se posso avere la mia prima diapositiva qui potrete vedere il titolo del mio discorso e le mie due affiliazioni. Quindi, ciò di cui parlerò è il motivo per il quale non abbiamo una buona teoria del cervello, perché è importante doverne svilupparne una e ciò che possiamo fare al riguardo. E cercherò di fare tutto questo in 20 minuti. Ho due affiliazioni. La maggior parte di voi mi conosce per il mio lavoro di Palm e Handspring, ma dirigo anche un istituto di ricerca scientifica senza scopo di lucro chiamato il Redwood Neuroscience Institute di Menlo Park, Noi studiamo le neuroscienze teoretiche, e come funziona la neocorteccia.
I have one slide on my other life, the computer life, and that's this slide here. These are some of the products I've worked on over the last 20 years, starting from the very original laptop to some of the first tablet computers and so on, ending up most recently with the Treo, and we're continuing to do this. I've done this because I believe mobile computing is the future of personal computing, and I'm trying to make the world a little bit better by working on these things. But this was, I admit, all an accident. I really didn't want to do any of these products. Very early in my career I decided I was not going to be in the computer industry.
Vi parlero' di tutto questo. Ho una diapositiva sull'altra mia vita, la vita del computer, ed è questa diapositiva. Questi sono alcuni dei prodotti sui quali ho lavorato negli ultimi 20 anni, iniziando dai veri e propri laptop originali fino ai primi tablet computer e cosi' via, arrivando fino al piu' recente Treo, e continuiamo a fare cio'. E ho fatto questo perche' credo davvero che il mobile computing sia il futuro del personal computing, e sto cercando di rendere il mondo migliore lavorando su queste cose. Ma questo, devo ammetterlo, è stato del tutto casuale. Non avevo nessuna intezione di creare alcuno di questi prodotti e molto presto nella mia carriera decisi che non sarei entrato nell'industria dei computer.
Before that, I just have to tell you about this picture of Graffiti I picked off the web the other day. I was looking for a picture for Graffiti that'll text input language. I found a website dedicated to teachers who want to make script-writing things across the top of their blackboard, and they had added Graffiti to it, and I'm sorry about that.
E prima che vi parli di tutto cio', devo solo dirvi di questa piccola immagine di graffiti che ho preso da Internet oggi. Stavo cercando una foto di graffiti, un breve text-input-language, e ho trovato questo sito dedicato agli insegnanti che vogliono creare questi, lo sapete, le scritte che vanno sopra le loro lavagne, e hanno aggiunto i graffiti, e mi dispiace.
(Laughter)
(Risate)
So what happened was, when I was young and got out of engineering school at Cornell in '79, I went to work for Intel and was in the computer industry, and three months into that, I fell in love with something else. I said, "I made the wrong career choice here," and I fell in love with brains. This is not a real brain. This is a picture of one, a line drawing. And I don't remember exactly how it happened, but I have one recollection, which was pretty strong in my mind. In September of 1979, Scientific American came out with a single-topic issue about the brain. It was one of their best issues ever. They talked about the neuron, development, disease, vision and all the things you might want to know about brains. It was really quite impressive.
Quindi, quello che accadde, quando ero giovane e venni fuori dalla scuola di ingegneria, Cornell, nel '79, decisi che avrei lavorato per Intel. Ero nell'industria dei computer, e dopo tre mesi, mi innamorai di qualcos'altro e dissi: "ho fatto la scelta sbagliata per la mia carriera", e mi innamorai dei cervelli. Questo non è un vero cervello. Questa è una rappresentazione, una disegno Non ricordo esattamente come accadde, ma ricordo una cosa, che e' impressa piuttosto intensamente nella mia mente. Nel settebre del 1979, Scientific American usci' con un numero monotematico sul cervello. Ed era piuttosto ben fatto. Fu uno dei migliori numeri mai usciti. E parlarono dei neuroni e dello sviluppo, e delle malattie e della vista e di tutte quelle cosa che avresti voluto sapere sul cervello. Fu piuttosto impressionante E qualcuno potra' avere l'impressione che ne sappiamo tanto di cervelli.
One might've had the impression we knew a lot about brains. But the last article in that issue was written by Francis Crick of DNA fame. Today is, I think, the 50th anniversary of the discovery of DNA. And he wrote a story basically saying, this is all well and good, but you know, we don't know diddly squat about brains, and no one has a clue how they work, so don't believe what anyone tells you. This is a quote from that article, he says: "What is conspicuously lacking" -- he's a very proper British gentleman -- "What is conspicuously lacking is a broad framework of ideas in which to interpret these different approaches." I thought the word "framework" was great. He didn't say we didn't have a theory. He says we don't even know how to begin to think about it. We don't even have a framework. We are in the pre-paradigm days, if you want to use Thomas Kuhn. So I fell in love with this. I said, look: We have all this knowledge about brains -- how hard can it be? It's something we can work on in my lifetime; I could make a difference. So I tried to get out of the computer business, into the brain business.
Ma l'ultimo articolo in qual numero venne scritto da Francis Crick, famoso per il DNA. Oggi e', credo, il 50esimo anniversario della scoperta del DNA. Scrisse un articolo praticamente dicendo, bene, tutto questo e' fantastico, ma sapete una cosa, non sappiamo un bel niente del cervello e nessuno ha la piu' pallida idea di come funzionino queste cose, quindi non credete a quello che vi dicono. Questa e' una citazione dall'articolo. Disse: "Quello che manca davvero" e' un signore inglese per bene, quindi disse: "Quello che manca davvero e' una chiara struttura di idee con la quale interpretare questi diversi approcci" Penso che l'uso della parola struttura sia stato grandioso. Non disse che non avevamo neanche una teoria. Disse, non sappiamo neanche come cominciare a pensare a questo -- non abbiamo neanche una struttura. Siamo nei giorni pre-paradigma, se volete usare Thomas Kuhn E così mi innamorai di questo e dissi guarda, abbiamo tutte queste conoscenze sui cervelli. Quanto può essere difficile? E questo è qualcosa sul quale possiamo lavorare nella mia vita. Sentii che avrei potuto fare la differenza e così provai ad uscire dal business dei computer per quello del cervello.
First, I went to MIT, the AI lab was there. I said, I want to build intelligent machines too, but I want to study how brains work first. And they said, "Oh, you don't need to do that. You're just going to program computers, that's all. I said, you really ought to study brains. They said, "No, you're wrong." I said, "No, you're wrong," and I didn't get in.
Per prima cosa andai al MIT, il laboratorio AL era là, e dissi, bene, voglio ancora costruire macchine intelligenti, ma il modo in cui voglio farlo è studiare prima come i cervelli funzionano. Dissero, oh, non hai bisogno di farlo. Stiamo solo programmando computer, questo è tutto quello che dobbiamo fare. Dissi no, dovremmo davvero studiare i cervelli. Dissero, sai, ti sbagli. E io risposi, no, voi vi sbagliate, e non entrai. (Risate)
(Laughter)
I was a little disappointed -- pretty young -- but I went back again a few years later, this time in California, and I went to Berkeley. And I said, I'll go in from the biological side. So I got in the PhD program in biophysics. I was like, I'm studying brains now. Well, I want to study theory. They said, "You can't study theory about brains. You can't get funded for that. And as a graduate student, you can't do that." So I said, oh my gosh. I was depressed; I said, but I can make a difference in this field. I went back in the computer industry and said, I'll have to work here for a while. That's when I designed all those computer products.
Ero un po' deluso - piuttosto giovane, ma tornai di nuovo pochi anni dopo e questa volta ero in California, andai a Berkeley e dissi, entrerò dal lato biologico. Così entrai nel programma di dottorato di ricerca in Biofisica e stavo, va bene, sto studiando cervelli ora, e dissi, bene, voglio studiare la teoria. Loro dissero, oh no, non puoi studiare la teoria del cervello. Questo non è ciò che si fa. Non è possibile ottenere finanziamenti per questo. E come dottorando non è possibile farlo. Così dissi, oh caspita. Ero molto depresso. Dissi, ma posso fare la differenza in questo campo. Quindi quello che feci fu tornare nell'industria dei computer e dissi, bene, dovrò lavorare qui per un po', fare qualcosa. Questo è stato quando ho disegnato tutti quei computer.
(Laughter)
(Risate)
I said, I want to do this for four years, make some money, I was having a family, and I would mature a bit, and maybe the business of neuroscience would mature a bit. Well, it took longer than four years. It's been about 16 years. But I'm doing it now, and I'm going to tell you about it. So why should we have a good brain theory? Well, there's lots of reasons people do science. The most basic one is, people like to know things. We're curious, and we go out and get knowledge. Why do we study ants? It's interesting. Maybe we'll learn something useful, but it's interesting and fascinating. But sometimes a science has other attributes which makes it really interesting.
Dissi, voglio fare questo per quattro anni, fare un po’ di soldi, siccome stavo mettendo sù famiglia, sarei maturato un po’ e forse anche il business delle neuroscienze sarebbe maturato un po’. Beh, ci sono voluti più di quattro anni. E' durato circa 16 anni. Ma lo sto facendo adesso e ve lo racconterò. Quindi, perché dovremmo avere una buona teoria sul cervello? Beh, ci sono un sacco di motivi per i quali le persone fanno scienza. Uno, il più semplice, è che alla gente piace sapere le cose. Siamo curiosi e appena usciamo fuori acquisiamo conoscenze, lo sapete? Perché studiamo le formiche? Beh, è interessante. Forse impareremo qualcosa di veramente utile al riguardo, ma è interessante e affascinante. Ma talvolta una scienza ha alcune altre caratteristiche che la rendono veramente interessante.
Sometimes a science will tell something about ourselves; it'll tell us who we are. Evolution did this and Copernicus did this, where we have a new understanding of who we are. And after all, we are our brains. My brain is talking to your brain. Our bodies are hanging along for the ride, but my brain is talking to your brain. And if we want to understand who we are and how we feel and perceive, we need to understand brains. Another thing is sometimes science leads to big societal benefits, technologies, or businesses or whatever. This is one, too, because when we understand how brains work, we'll be able to build intelligent machines. That's a good thing on the whole, with tremendous benefits to society, just like a fundamental technology.
A volte la scienza ci dirà qualcosa su noi stessi, ci dirà chi siamo. Raramente, sapete, l'evoluzione ha fatto questo e Copernico lo ha fatto, dove abbiamo una nuova comprensione di chi siamo. Dopo tutto noi siamo i nostri cervelli. Il mio cervello sta parlando al vostro. I nostri corpi sono qui solo di passaggio, ma il mio cervello sta parlando al vostro. E se vogliamo capire chi siamo e come sentiamo e percepiamo, allora capiamo veramente cosa sono i cervelli. Un'altra cosa è che la scienza a volte porta notevoli benefici sociali e tecnologie, o affari, o qualsiasi altra cosa che venga fuori. E questa è una, anche perché quando ci rendiamo conto di come il cervello funziona saremo capaci di costruire macchine intelligenti e penso che sia una cosa realmente buona nel complesso e darà enormi vantaggi alla società, proprio come una tecnologia di base.
So why don't we have a good theory of brains? People have been working on it for 100 years. Let's first take a look at what normal science looks like. This is normal science. Normal science is a nice balance between theory and experimentalists. The theorist guy says, "I think this is what's going on," the experimentalist says, "You're wrong." It goes back and forth, this works in physics, this in geology. But if this is normal science, what does neuroscience look like? This is what neuroscience looks like. We have this mountain of data, which is anatomy, physiology and behavior. You can't imagine how much detail we know about brains. There were 28,000 people who went to the neuroscience conference this year, and every one of them is doing research in brains. A lot of data, but no theory. There's a little wimpy box on top there.
Allora perché non abbiamo una buona teoria del cervello? E le persone hanno lavorato su di esso per 100 anni? Bene, prima dai un'occhiata a ciò a cui la scienza normale assomiglia. Questa è la scienza normale. La scienza normale è un buon equilibrio tra la teoria e la sperimentazione. E così i teorici dicono, beh, penso che questo sia quello che sta succedendo e gli sperimentalisti dicono, no, vi sbagliate. E va avanti e indietro, lo sapete? Questo funziona in fisica. Questo funziona in geologia. Ma se questa è la scienza normale a cosa assomigliano la neuroscienza? Questo è ciò che la neuroscienza sembra. Abbiamo questa montagna di dati, che sono anatomia, fisiologia e comportamento. Non potete immaginare quanti dettagli sappiamo sui cervelli. C'erano 28.000 persone alla conferenza di neuroscienze di quest'anno, e ognuno di loro sta facendo ricerca sui cervelli. Un sacco di dati. Ma non c'è una teoria. C'è una piccola scatola molliccia lassù in alto. E la teoria non ha avuto un ruolo in nessun tipo di strada maestra nelle neuroscienze.
And theory has not played a role in any sort of grand way in the neurosciences. And it's a real shame. Now, why has this come about? If you ask neuroscientists why is this the state of affairs, first, they'll admit it. But if you ask them, they say, there's various reasons we don't have a good brain theory. Some say we still don't have enough data, we need more information, there's all these things we don't know. Well, I just told you there's data coming out of your ears. We have so much information, we don't even know how to organize it. What good is more going to do? Maybe we'll be lucky and discover some magic thing, but I don't think so. This is a symptom of the fact that we just don't have a theory. We don't need more data, we need a good theory.
Ed è un vero peccato. Ora, perché è andata così? Se chiedete ai neuroscienziati, perché è questo lo stato dei fatti? prima di tutto lo ammettono. Ma se glielo chiediamo, diranno, beh, ci sono varie ragioni per le quali non abbiamo una buona teoria del cervello. Alcune persone dicono, non abbiamo ancora dati sufficienti, abbiamo bisogno di avere maggiori informazioni, ci sono tutte queste cose che non sappiamo. Bene, vi ho appena detto che ci sono così tanti dati che escono dalle orecchie. Ci sono così tante informazioni. Non sappiamo come cominciare a organizzarle. A che serve fare di più? Forse saremo fortunati e scopriremo qualcosa di magico, ma io non la penso così. Questo è in effetti un sintomo del fatto che noi non abbiamo una teoria. Non abbiamo bisogno di ulteriori dati -- abbiamo bisogno di una buona teoria su di esso.
Another one is sometimes people say, "Brains are so complex, it'll take another 50 years." I even think Chris said something like this yesterday, something like, it's one of the most complicated things in the universe. That's not true -- you're more complicated than your brain. You've got a brain. And although the brain looks very complicated, things look complicated until you understand them. That's always been the case. So we can say, my neocortex, the part of the brain I'm interested in, has 30 billion cells. But, you know what? It's very, very regular. In fact, it looks like it's the same thing repeated over and over again. It's not as complex as it looks. That's not the issue.
Un'altra è che talvolta le persone dicono, bene, il cervello è talmente complesso, ci vorranno altri 50 anni. Penso che anche Chris abbia detto qualcosa di simile ieri. Non sono sicuro di quello che hai detto, Chris, ma qualcosa di simile a, beh, è una delle cose più complicate nell'universo. Non è vero. Tu sei più complicato di quanto lo sia il tuo cervello. Tu hai un cervello. Inoltre, sebbene il cervello sembri molto complicato, le cose sembrano complicate finché non si capiscono. E’ sempre stato così. E così tutti possiamo dire, bene, la mia neocorteccia, che è la parte del cervello che mi interessa, ha 30 miliardi cellule. Ma, sapete una cosa? E' molto regolare. In realtà, sembra che la stessa cosa sia ripetuta più e più e più volte. Non è così complessa come sembra. Non è questo il problema.
Some people say, brains can't understand brains. Very Zen-like. Woo.
Alcune persone dicono, i cervelli non possono capire i cervelli. Molto Zen. Whoo. Sapete --
(Laughter)
(Risate)
You know, it sounds good, but why? I mean, what's the point? It's just a bunch of cells. You understand your liver. It's got a lot of cells in it too, right? So, you know, I don't think there's anything to that. And finally, some people say, "I don't feel like a bunch of cells -- I'm conscious. I've got this experience, I'm in the world. I can't be just a bunch of cells." Well, people used to believe there was a life force to be living, and we now know that's really not true at all. And there's really no evidence, other than that people just disbelieve that cells can do what they do. So some people have fallen into the pit of metaphysical dualism, some really smart people, too, but we can reject all that.
Suona bene, ma perché? Voglio dire, qual è il punto? E' solo un mucchio di cellule. Capite il vostro fegato. E ha un sacco di cellule dentro, giusto? Quindi, sapete, non do credito a questo. Infine, alcune persone dicono, beh, sapete, non mi sento come un mucchio di cellule. Io sono consapevole. Ho avuto questa esperienza, sono nel mondo, lo sapete. Non posso essere solo un mucchio di cellule. Bene, sapete, le persone erano abituate a credere che ci fosse una forza vitale per vivere, e ora sappiamo che non è affatto vero. Non c'è davvero nessun’altra prova che lo affermi, beh, a parte il fatto che le persone non credono che le cellule possano fare quello che fanno. E così alcune persone sono cadute nella fossa del dualismo metafisico, anche alcune persone molto intelligenti, ma noi possiamo rifiutare tutto questo.
(Laughter)
(Risate)
No, there's something else, something really fundamental, and it is: another reason why we don't have a good brain theory is because we have an intuitive, strongly held but incorrect assumption that has prevented us from seeing the answer. There's something we believe that just, it's obvious, but it's wrong. Now, there's a history of this in science and before I tell you what it is, I'll tell you about the history of it in science. Look at other scientific revolutions -- the solar system, that's Copernicus, Darwin's evolution, and tectonic plates, that's Wegener. They all have a lot in common with brain science.
No, vi dirò che c’è qualcos’altro, ed è davvero fondamentale, ed è questo: c'è un altro motivo per cui non abbiamo una buona teoria del cervello ed è perché abbiamo una convinzione intuitiva e ben salda, ma sbagliata che ci ha impedito di vedere la risposta.. C'è qualcosa che noi crediamo sia proprio ovvio, ma è sbagliato. Ora, c'è una storia di questo nella scienza e prima di dirvi cosa è, vi racconterò un po' la sua storia nella scienza. Guardate altre rivoluzioni scientifiche, in questo caso sto parlando del sistema solare, questo è Copernico, l'evoluzione di Darwin e le placche tettoniche, questo è Wegener. Tutti loro hanno molto in comune con la scienza del cervello.
First, they had a lot of unexplained data. A lot of it. But it got more manageable once they had a theory. The best minds were stumped -- really smart people. We're not smarter now than they were then; it just turns out it's really hard to think of things, but once you've thought of them, it's easy to understand. My daughters understood these three theories, in their basic framework, in kindergarten. It's not that hard -- here's the apple, here's the orange, the Earth goes around, that kind of stuff.
Prima di tutto loro avevano un sacco di dati non spiegati. Molti dati. Ma tutto è diventato più maneggevole una volta che loro hanno avuto una teoria. Le migliori menti erano perplesse, persone molto molto in gamba. Non siamo più intelligenti adesso di quanto lo fossero allora. E’ che è proprio difficile pensare a certe cose, ma una volta che ci hai pensato è una cosa facile capirle. Le mie figlie capiscono queste tre teorie nella loro struttura elementare da quando erano alla scuola materna. E adesso non è così difficile, sapete, qui c’è la mela, qui l’arancia, si sa, la Terra gira intorno, questo tipo di cose.
Another thing is the answer was there all along, but we kind of ignored it because of this obvious thing. It was an intuitive, strongly held belief that was wrong. In the case of the solar system, the idea that the Earth is spinning, the surface is going a thousand miles an hour, and it's going through the solar system at a million miles an hour -- this is lunacy; we all know the Earth isn't moving. Do you feel like you're moving a thousand miles an hour? If you said Earth was spinning around in space and was huge -- they would lock you up, that's what they did back then.
Infine, un'altra cosa è che la risposta era lì da sempre, ma noi l’abbiamo solamente ignorata a causa di questa cosa ovvia, e questa è la cosa. E' stata una convinzione intuitiva e ben salda che era sbagliata. Nel caso del sistema solare, l'idea che la Terra è in rotazione e la superficie della Terra sta andando a mille chilometri all'ora, e la Terra sta attraversando il sistema solare a circa un milione di chilometri all'ora. Questa è follia. Sappiamo tutti che la Terra non si sta muovendo. Ti senti come se ti stessi muovendo a mille chilometri all’ora? Certo che no. Sapete, qualcuno disse, beh, gira intorno nello spazio ed è così enorme, ti rinchiuderebbero, e questo è ciò che hanno fatto allora.
So it was intuitive and obvious. Now, what about evolution?
(Risate) Così fu intuitivo e ovvio. Ora, che dire dell’evoluzione?
Evolution, same thing. We taught our kids the Bible says God created all these species, cats are cats; dogs are dogs; people are people; plants are plants; they don't change. Noah put them on the ark in that order, blah, blah. The fact is, if you believe in evolution, we all have a common ancestor. We all have a common ancestor with the plant in the lobby! This is what evolution tells us. And it's true. It's kind of unbelievable. And the same thing about tectonic plates. All the mountains and the continents are kind of floating around on top of the Earth. It doesn't make any sense.
La stessa cosa dell’evoluzione. Abbiamo insegnato ai nostri figli, bene, la Bibbia dice, lo sapete, Dio ha creato tutte queste specie, i gatti sono gatti, i cani sono cani, le persone sono persone, le piante sono piante, essi non cambiano. Noè li ha messi sull’Arca in questo ordine, blah, blah, blah. il fatto è che se si crede nell'evoluzione tutti noi abbiamo un antenato comune, e tutti noi abbiamo un antenato comune con la pianta nell’atrio. Questo è ciò che ci dice l'evoluzione. Ed è vero. È quasi incredibile. E la stessa cosa a proposito delle placche tettoniche, sapete? Tutte le montagne e i continenti sono come galleggianti sopra la Terra, sapete? E' così, non fa alcun senso.
So what is the intuitive, but incorrect assumption, that's kept us from understanding brains? I'll tell you. It'll seem obvious that it's correct. That's the point. Then I'll make an argument why you're incorrect on the other assumption. The intuitive but obvious thing is: somehow, intelligence is defined by behavior; we're intelligent because of how we do things and how we behave intelligently. And I'm going to tell you that's wrong. Intelligence is defined by prediction.
Quindi era la convinzione, intuitiva ma errata, che ci impediva di comprendere i cervelli? Ora ve lo dirò, e sembrerà ovvio che questo è corretto, e questo è il punto, giusto? Allora dovrò fare un ragionamento sul perché vi sbagliate sull’altra ipotesi. La cosa evidente e intuitiva è che in qualche modo l'intelligenza è definita da un comportamento, che noi siamo intelligenti a causa del modo in cui facciamo le cose e perché ci comportiamo in modo intelligente, e vi dirò che questo è sbagliato. Cosa è l'intelligenza è definito dalla previsione. Vi spiegherò questo mediante alcune diapositive qui,
I'm going to work you through this in a few slides, and give you an example of what this means. Here's a system. Engineers and scientists like to look at systems like this. They say, we have a thing in a box. We have its inputs and outputs. The AI people said, the thing in the box is a programmable computer, because it's equivalent to a brain. We'll feed it some inputs and get it to do something, have some behavior. Alan Turing defined the Turing test, which essentially says, we'll know if something's intelligent if it behaves identical to a human -- a behavioral metric of what intelligence is that has stuck in our minds for a long time.
per darvi un esempio di ciò che significa. Ecco un sistema, Agli ingegneri piace vedere sistemi come questo. Agli scienziati piace vedere sistemi come questo. Dicono, bene, abbiamo una cosa in una scatola, abbiamo i suoi input i suoi output. Il popolo AI disse, bene, la cosa nella scatola è un computer programmabile perché è equivalente a un cervello e noi gli invieremo alcuni input e gli faremo fare qualcosa, avere qualche comportamento. E Alan Turing definì il test di Turing, che essenzialmente dice, sapremo se qualcosa è intelligente se si comporta in modo identico a un essere umano. Una metrica comportamentale di ciò che è intelligenza, e questo è rimasto nelle nostre menti per un lungo periodo di tempo.
Reality, though -- I call it real intelligence. Real intelligence is built on something else. We experience the world through a sequence of patterns, and we store them, and we recall them. When we recall them, we match them up against reality, and we're making predictions all the time. It's an internal metric; there's an internal metric about us, saying, do we understand the world, am I making predictions, and so on. You're all being intelligent now, but you're not doing anything. Maybe you're scratching yourself, but you're not doing anything. But you're being intelligent; you're understanding what I'm saying. Because you're intelligent and you speak English, you know the word at the end of this sentence.
In concreto io la chiamo intelligenza reale. L’intelligenza reale è costruita su qualcos'altro. Sperimentiamo il mondo attraverso una sequenza di modelli, e li immagazziniamo, e li ricordiamo. E quando li ricordiamo, li confrontiamo con la realtà, e facciamo previsioni tutto il tempo. E' una eterna metrica. C'è una metrica eterna in noi, come un modo per dire comprendiamo il mondo? Sto facendo previsioni? E così via. Siete tutti esseri intelligenti in questo momento, ma non state facendo niente. Forse vi state stirando, o vi state mettendo le dita nel naso, non so, ma non state facendo nulla ora, ma siete intelligenti, state capendo cosa sto dicendo. Perché siete intelligenti e parlate inglese, sapete che parola c’è alla fine di questa - (Silenzio) frase
The word came to you; you make these predictions all the time. What I'm saying is, the internal prediction is the output in the neocortex, and somehow, prediction leads to intelligent behavior. Here's how that happens: Let's start with a non-intelligent brain. I'll argue a non-intelligent brain, we'll call it an old brain. And we'll say it's a non-mammal, like a reptile, say, an alligator; we have an alligator. And the alligator has some very sophisticated senses. It's got good eyes and ears and touch senses and so on, a mouth and a nose. It has very complex behavior. It can run and hide. It has fears and emotions. It can eat you. It can attack. It can do all kinds of stuff. But we don't consider the alligator very intelligent, not in a human sort of way.
La parola arriva dentro di voi e voi fate queste previsioni per tutto il tempo. Allora, quello che sto dicendo è, è che l’eterna previsione è l'output della neocorteccia. E che in qualche modo la previsione porta ad un comportamento intelligente. E qui è come ciò accade. Cominciate con un cervello non-intelligente. Beh, discuterò di un cervello non-intelligente, abbiamo preso un vecchio cervello, e diremo che è come un non-mammifero, come un rettile, quindi dirò, un alligatore, abbiamo un alligatore . E l’alligatore ha alcuni sensi molto sofisticati. Ha buoni occhi e orecchie, tatto e così via una bocca e un naso. Ha un comportamento molto complesso. Può correre e nascondersi. Ha paure ed emozioni. E può mangiarvi, sapete. Può attaccare. Può fare tutti i tipi di cose. Ma noi non consideriamo l'alligatore molto intelligente, non allo stesso modo dell'essere umano.
But it has all this complex behavior already. Now in evolution, what happened? First thing that happened in evolution with mammals is we started to develop a thing called the neocortex. I'm going to represent the neocortex by this box on top of the old brain. Neocortex means "new layer." It's a new layer on top of your brain. It's the wrinkly thing on the top of your head that got wrinkly because it got shoved in there and doesn't fit.
Ma ha già tutto questo comportamento complesso. Ora, nell’evoluzione, cosa è successo? La prima cosa che è accaduta nell’evoluzione dei mammiferi, abbiamo iniziato a sviluppare una cosa chiamata neocorteccia. E rappresenterò la neocorteccia qui, in questa scatola che è attaccata sulla parte superiore del vecchio cervello. La neocorteccia significa nuovo livello. E' un nuovo livello in cima al tuo cervello. Se non lo conoscete, è la cosa rugosa sulla parte superiore della testa che è diventata rugosa perché si è spinta in là senza adattarsi
(Laughter)
(Risate)
Literally, it's about the size of a table napkin and doesn't fit, so it's wrinkly. Now, look at how I've drawn this. The old brain is still there. You still have that alligator brain. You do. It's your emotional brain. It's all those gut reactions you have. On top of it, we have this memory system called the neocortex. And the memory system is sitting over the sensory part of the brain. So as the sensory input comes in and feeds from the old brain, it also goes up into the neocortex. And the neocortex is just memorizing. It's sitting there saying, I'm going to memorize all the things going on: where I've been, people I've seen, things I've heard, and so on. And in the future, when it sees something similar to that again, in a similar environment, or the exact same environment, it'll start playing it back: "Oh, I've been here before," and when you were here before, this happened next. It allows you to predict the future. It literally feeds back the signals into your brain; they'll let you see what's going to happen next, will let you hear the word "sentence" before I said it. And it's this feeding back into the old brain that will allow you to make more intelligent decisions.
No, veramente, è ciò che è. E’ circa la dimensione di un tovagliolo. e non si adatta per cui diventa rugosa. Ora guardate come ho disegnato questo qui. Il cervello vecchio è ancora lì. Avete ancora questo cervello di alligatore. Ce l’avete. È il vostro cervello emozionale.. Esso è tutte queste cose e tutte quelle reazioni viscerali che avete. Ed in cima a esso abbiamo questa memoria di sistema chiamata neocorteccia. E la memoria di sistema è seduta sopra la parte sensoriale del cervello. Così come gli input sensoriali entrano e alimentano il vecchio cervello, vanno anche sù nella neocorteccia. E la neocorteccia è soltanto memorizzazione. E' lì seduta dicendo, ah, sto memorizzando tutte le cose che succedono, dove sono stata, le persone che ho visto, le cose che ho sentito, e così via. E in futuro, quando essa vede nuovamente qualcosa simile a questo, sia in un ambiente simile, o nello stesso ambiente, lo riprodurrà. Inizierà a riprodurlo. Oh, sono stato qui prima. E quando siete stati qui prima, questo è accaduto di nuovo. Vi permette di prevedere il futuro. vi permette, letteralmente, di rinviare i segnali nel vostro cervello, vi lascerà vedere cosa succederà dopo, vi farà ascoltare la olofrase prima che l’abbia detta. Ed è questo rinvio nel vecchio cervello che vi permetterà di prendere decisioni molto più intelligenti.
This is the most important slide of my talk, so I'll dwell on it a little. And all the time you say, "Oh, I can predict things," so if you're a rat and you go through a maze, and you learn the maze, next time you're in one, you have the same behavior. But suddenly, you're smarter; you say, "I recognize this maze, I know which way to go; I've been here before; I can envision the future." That's what it's doing. This is true for all mammals -- in humans, it got a lot worse. Humans actually developed the front of the neocortex, called the anterior part of the neocortex. And nature did a little trick. It copied the posterior, the back part, which is sensory, and put it in the front. Humans uniquely have the same mechanism on the front, but we use it for motor control.
Questa è la diapositiva più importante del mio discorso, quindi mi soffermerò su di essa un po'. Così, per tutto il tempo voi dite, oh, sono in grado di prevedere le cose. E se siete un topo e attraversate un labirinto e imparate il labirinto, la prossima volta che sarete in un labirinto avrete lo stesso comportamento, ma d'un tratto sarete più intelligenti perché direte, oh, riconosco questo labirinto, so dove andare, sono stato qui prima, posso immaginare il futuro. E questo è quello che state facendo. Negli esseri umani, per inciso, questo è vero per tutti i mammiferi, è vero per gli altri mammiferi e negli esseri umani è peggiorato molto. Negli esseri umani infatti abbiamo sviluppato la parte frontale della neocorteccia, chiamata parte anteriore della neocorteccia. E la natura ha fatto un piccolo trucco. Ha copiato la parte posteriore, la parte dorsale, che è sensoriale, e l’ha messa nella parte frontale. E gli esseri umani hanno caratteristicamente lo stesso meccanismo sulla parte anteriore, ma lo usiamo per il controllo motorio.
So we're now able to do very sophisticated motor planning, things like that. I don't have time to explain, but to understand how a brain works, you have to understand how the first part of the mammalian neocortex works, how it is we store patterns and make predictions. Let me give you a few examples of predictions. I already said the word "sentence." In music, if you've heard a song before, when you hear it, the next note pops into your head already -- you anticipate it. With an album, at the end of a song, the next song pops into your head. It happens all the time, you make predictions.
Quindi, adesso siamo in grado di effettuare programmazioni motorie molto sofisticate, cose come queste. Non ho tempo per entrare in tutto questo, ma se volete capire come funziona un cervello, dovrete capire come funziona la prima parte della neocorteccia dei mammiferi, come memorizziamo schemi e facciamo previsioni. Perciò lasciate che vi dia alcuni esempi di previsioni. Ho già detto dell’olofrase. Nella musica, se hai già sentito un brano prima, se hai sentito Jill cantare quelle canzoni prima, quando lei le canta la nota successiva vi appare già in testa -- - la anticipate mentre state ascoltando. Se fosse un album musicale, la fine di un album, la canzone successiva vi viene in mente. E queste cose succedono continuamente. State facendo queste previsioni.
I have this thing called the "altered door" thought experiment. It says, you have a door at home; when you're here, I'm changing it -- I've got a guy back at your house right now, moving the door around, moving your doorknob over two inches. When you go home tonight, you'll put your hand out, reach for the doorknob, notice it's in the wrong spot and go, "Whoa, something happened." It may take a second, but something happened. I can change your doorknob in other ways -- make it larger, smaller, change its brass to silver, make it a lever, I can change the door; put colors on, put windows in. I can change a thousand things about your door and in the two seconds you take to open it, you'll notice something has changed.
Ho questa cosa chiamata l’esperimento della porta mentale alterata. E l’esperimento della porta mentale alterata dice, avete una porta a casa, e mentre siete qui la sto cambiando, ho mandato un uomo a casa vostra proprio adesso, sta modificando la porta, ha preso la vostra maniglia e l’ha spostata di circa 6 centimetri. E quando andrete a casa stasera, metterete la mano là fuori per afferrare la maniglia della porta e vi accorgerete che è nel posto sbagliato, e penserete, oh, è successo qualcosa! Può richiedere un secondo per capire com’era, ma qualcosa è successo. Ora potrei cambiare la maniglia in altri modi. Posso renderla più grande o più piccola, posso cambiare il suo ottone in argento, potrei farne una leva. Posso cambiare la vostra porta, colorarla, posso mettere dentro delle fenditure. Posso cambiare mille cose sulla vostra porta, e in due secondi andate ad aprire la porta, e notate che qualcosa è cambiato.
Now, the engineering approach, the AI approach to this, is to build a door database with all the door attributes. And as you go up to the door, we check them off one at time: door, door, color ... We don't do that. Your brain doesn't do that. Your brain is making constant predictions all the time about what will happen in your environment. As I put my hand on this table, I expect to feel it stop. When I walk, every step, if I missed it by an eighth of an inch, I'll know something has changed. You're constantly making predictions about your environment. I'll talk about vision, briefly. This is a picture of a woman. When we look at people, our eyes saccade over two to three times a second. We're not aware of it, but our eyes are always moving. When we look at a face, we typically go from eye to eye to nose to mouth. When your eye moves from eye to eye, if there was something else there like a nose, you'd see a nose where an eye is supposed to be and go, "Oh, shit!"
Ora, l'approccio ingegneristico a questo, l'approccio AI è questo, è quello di costruire un database della porta. Esso ha tutti gli attributi della porta. E come andate verso la porta, sapete, li controlleranno uno alla volta. Porta, porta, porta, sapete, colore, sapete cosa sto dicendo. Noi non lo facciamo. Il vostro cervello non lo fa. Cosa il vostro cervello sta facendo è fare previsioni tutto il tempo. su ciò che succederà nel vostro ambiente. Come metto la mia mano su questo tavolo, mi aspetto di sentire che si fermi. Quando cammino, ogni passo, se ho perso 3 cm saprò che qualcosa è cambiato. Siete sempre a fare previsioni sul vostro ambiente. Parlerò della visione brevemente qui. Questa è una foto di una donna. Quando si guardano le persone i vostri occhi vengono catturati più di 2-3 volte al secondo. voi non siete consapevoli di questo, ma i vostri occhi sono sempre in movimento. E così quando si guarda il viso di qualcuno, andate normalmente da un occhio a un occhio a un occhio, al naso, alla bocca. Ora, quando vi muovete da un occhio all’altro, se ci fosse qualcos'altro lì come un naso, vedreste il naso dove si suppone esserci un occhio,
(Laughter)
e direste, oh merda, sapete -
"There's something wrong about this person." That's because you're making a prediction. It's not like you just look over and say, "What am I seeing? A nose? OK." No, you have an expectation of what you're going to see.
(Risate) C'è qualcosa che non va su questa persona. E questo perché state facendo una previsione. Non è solo come se guardaste là e diceste, cosa sto vedendo adesso? Un naso, va bene. No, disponete di un’aspettativa di ciò che state per vedere.
(Risate)
Every single moment. And finally, let's think about how we test intelligence. We test it by prediction: What is the next word in this ...? This is to this as this is to this. What is the next number in this sentence? Here's three visions of an object. What's the fourth one? That's how we test it. It's all about prediction.
Ogni singolo momento. E, infine, pensate come noi verifichiamo l’intelligenza. Noi verifichiamo essa dalla previsione. Qual è la parola successiva a questa, lo sapete? Questo sta a questo come questo sta a questo.Qual è il numero successivo in questa frase? Ecco tre visuali di un oggetto. Qual è la quarta? Ecco come la verifichiamo. E' tutto relativo a una previsione. Quindi, qual è la ricetta per la teoria del cervello?
So what is the recipe for brain theory? First of all, we have to have the right framework. And the framework is a memory framework, not a computational or behavior framework, it's a memory framework. How do you store and recall these sequences of patterns? It's spatiotemporal patterns.
Prima di tutto, dovremmo avere la giusta struttura. E la struttura è una struttura di memoria, non è una struttura di calcolo o di comportamento.E' una struttura di memoria. Come fate a immagazzinare e ricordare queste sequenze o modelli? Sono modelli spazio temporali. Allora, se in tale struttura si prendono un gruppo di teorici.
Then, if in that framework, you take a bunch of theoreticians -- biologists generally are not good theoreticians. Not always, but generally, there's not a good history of theory in biology. I've found the best people to work with are physicists, engineers and mathematicians, who tend to think algorithmically. Then they have to learn the anatomy and the physiology. You have to make these theories very realistic in anatomical terms. Anyone who tells you their theory about how the brain works and doesn't tell you exactly how it's working and how the wiring works -- it's not a theory.
Ora i biologi non sono generalmente buoni teorici. Non è sempre vero, ma in generale, non c'è una buona storia di teoria in biologia. Così ho trovato che le persone migliori per lavorarci sono i fisici, ingegneri e matematici, che tendono a pensare algoritmicamente. Allora dovrebbero imparare l'anatomia e hanno iniziato a imparare la fisiologia. Dovresti costruire queste teorie in modo molto realistico in termini anatomici. Chi si alza in piedi e vi spiega la propria teoria su come funziona il cervello e non vi dice esattamente come essa lavora nel cervello e come l'impianto elettrico lavora nel cervello, non ha una teoria, E questo è quello che stiamo facendo al Redwood Neuroscience Institute.
And that's what we do at the Redwood Neuroscience Institute. I'd love to tell you we're making fantastic progress in this thing, and I expect to be back on this stage sometime in the not too distant future, to tell you about it. I'm really excited; this is not going to take 50 years.
Mi piacerebbe avere più tempo per dirvi che stiamo facendo progressi fantastici in questa cosa, e mi aspetto di tornare su questo punto, forse questo avverrà in un futuro non troppo lontano e vi racconterò a proposito di questo. Sono molto, molto eccitato. Questo non richiederà affatto 50 anni.
What will brain theory look like? First of all, it's going to be about memory. Not like computer memory -- not at all like computer memory. It's very different. It's a memory of very high-dimensional patterns, like the things that come from your eyes. It's also memory of sequences: you cannot learn or recall anything outside of a sequence. A song must be heard in sequence over time, and you must play it back in sequence over time. And these sequences are auto-associatively recalled, so if I see something, I hear something, it reminds me of it, and it plays back automatically. It's an automatic playback. And prediction of future inputs is the desired output. And as I said, the theory must be biologically accurate, it must be testable and you must be able to build it. If you don't build it, you don't understand it.
Così a cosa somiglierà la teoria del cervello? Prima di tutto, sarà una teoria sulla memoria. Non come la memoria del computer. Non è affatto come la memoria di un computer. E' molto, molto diversa. Ed è una memoria di quei modelli ad alta-dimensione, come le cose che vengono dai vostri occhi. E' anche la memoria di sequenze. Non potete apprendere o ricordare qualche cosa al di fuori di una sequenza. Una canzone deve essere ascoltata in una sequenza nel tempo, e la si deve riprodurre in una sequenza nel tempo. E queste sequenze sono ricordate in modo auto-associativo, quindi se vedo qualcosa, sento qualcosa, me la ricordo ed essa la riproduce automaticamente. E’ una riproduzione automatica. E la previsione di input futuri è l'output desiderato. E come ho detto, la teoria deve essere biologicamente accurata, deve essere verificabile, e dovete essere in grado di costruirla. Se non la costruite, non la capite. Quindi, ancora un'altra diapositiva qui.
One more slide. What is this going to result in? Are we going to really build intelligent machines? Absolutely. And it's going to be different than people think. No doubt that it's going to happen, in my mind. First of all, we're going to build this stuff out of silicon. The same techniques we use to build silicon computer memories, we can use here. But they're very different types of memories. And we'll attach these memories to sensors, and the sensors will experience real-live, real-world data, and learn about their environment.
Quindi, che cosa risulterà da questo? Costruiremo veramente macchine intelligenti? Assolutamente. E sarà diverso da quello che le persone pensano. Nella mia mente non c'è dubbio che accadrà. Prima di tutto, le costruiremo, costruiremo i materiali di silicio. Le stesse tecniche che usiamo per costruire le memorie di silicio per computer si possono usare per queste. Ma sono tipi molto diversi di memorie. Andremo a fissare queste memorie ai sensori, e i sensori sperimenteranno la vita reale, i dati del mondo reale, e queste cose impareranno dal loro ambiente.
Now, it's very unlikely the first things you'll see are like robots. Not that robots aren't useful; people can build robots. But the robotics part is the hardest part. That's old brain. That's really hard. The new brain is easier than the old brain. So first we'll do things that don't require a lot of robotics. So you're not going to see C-3PO. You're going to see things more like intelligent cars that really understand what traffic is, what driving is and have learned that cars with the blinkers on for half a minute probably aren't going to turn.
Ora è molto improbabile che la prima cosa che vedrete sarà simile ai robot. Non che i robot non siano utili e le persone non possano costruire robot. Ma la parte robotica è la parte più difficile. Questo è il vecchio cervello.Questo è veramente difficile. Il nuovo cervello è in realtà più facile di quello vecchio. Così le prime cose che faremo sono le cose che non richiedono eccessiva robotica. Quindi non vedrete C-3PO. Vedrete cose tipo veicoli intelligenti che realmente capiscono cosa è il traffico e cosa è guidare e hanno imparato che alcuni tipi di auto con i sensori accesi per mezzo minuto, probabilmente non gireranno, cose come queste.
(Laughter)
(Risate)
We can also do intelligent security systems. Anytime we're basically using our brain but not doing a lot of mechanics -- those are the things that will happen first. But ultimately, the world's the limit. I don't know how this will turn out. I know a lot of people who invented the microprocessor. And if you talk to them, they knew what they were doing was really significant, but they didn't really know what was going to happen. They couldn't anticipate cell phones and the Internet and all this kind of stuff. They just knew like, "We're going to build calculators and traffic-light controllers. But it's going to be big!" In the same way, brain science and these memories are going to be a very fundamental technology, and it will lead to unbelievable changes in the next 100 years. And I'm most excited about how we're going to use them in science. So I think that's all my time -- I'm over, and I'm going to end my talk right there.
Possiamo anche fare i sistemi di sicurezza intelligenti. Ovunque noi usiamo il nostro cervello, senza fare un sacco di movimenti meccanici. Queste sono le cose che accadranno prima. Ma in sostanza, non ci sono limiti alle possibilità qui. Io non so come gireranno le cose. Conosco un sacco di gente che ha inventato il microprocessore e se parlate con loro, essi sapevano che quello che stavano facendo era davvero significativo, ma non sapevano cosa stava per accadere. Non potevano anticipare i telefoni cellulari e Internet e tutto questo genere di cose. Sapevano solo come, hey, che stavano per costruire calcolatori e controllori dei semafori. Ma sarà grande. Analogamente, questo è come la scienza del cervello e queste memorie saranno tecnologia fondamentale, e porteranno cambiamenti incredibili nei prossimi 100 anni. E sono ancor più eccitato per come li useremo nella scienza. Allora, penso che questo sia tutto il tempo che avevo, l'ho superato e finirò la mia discussione proprio qui.