Ich habe meinen ersten Computer als Teenager in Accra bekommen und es war ein echt tolles Gerät. Man konnte Spiele damit spielen und in BASIC programmieren. Ich war fasziniert davon. Also ging ich in die Bücherei, um herauszufinden, wie dieses Ding funktionierte. Ich las, dass die CPU ständig Daten hin und her schiebt zwischen Speicher, RAM und der ALU, der arithmetisch-logischen Einheit. Und ich dachte mir, diese CPU muss wirklich wie verrückt arbeiten, damit die ganzen Daten ungehindert fließen können.
I got my first computer when I was a teenager growing up in Accra, and it was a really cool device. You could play games with it. You could program it in BASIC. And I was fascinated. So I went into the library to figure out how did this thing work. I read about how the CPU is constantly shuffling data back and forth between the memory, the RAM and the ALU, the arithmetic and logic unit. And I thought to myself, this CPU really has to work like crazy just to keep all this data moving through the system.
Aber keiner machte sich darüber wirklich Gedanken. Als die ersten Computer auf den Markt kamen, wurde gesagt, sie seien eine Million Mal schneller als Neuronen. Die Menschen waren begeistert. Sie dachten, es würde nicht lange dauern, bis Computer die Kapazität des Gehirns übertreffen würden. Hier ist ein Zitat von Alan Turing: "In 30 Jahren wird es genauso einfach sein, einem Computer eine Frage zu stellen wie einem Menschen." Das stammt von 1946. Und heute, 2007, trifft es immer noch nicht zu. Die Frage ist, warum sehen wir die Fähigkeiten, die das Gehirn hat, nicht auch in Computern?
But nobody was really worried about this. When computers were first introduced, they were said to be a million times faster than neurons. People were really excited. They thought they would soon outstrip the capacity of the brain. This is a quote, actually, from Alan Turing: "In 30 years, it will be as easy to ask a computer a question as to ask a person." This was in 1946. And now, in 2007, it's still not true. And so, the question is, why aren't we really seeing this kind of power in computers that we see in the brain?
Was die Menschen aber nicht verstehen und erst jetzt beginnen zu verstehen, ist, dass wir einen gewaltigen Preis zahlen für die Geschwindigkeit, die doch ein großer Vorteil dieser Computer sein soll. Sehen wir uns mal einige Zahlen an. Dies hier ist Blue Gene, der schnellste Rechner der Welt. Er hat 120.000 Prozessoren, die 10 Billiarden Bits an Informationen pro Sekunde verarbeiten können. Das ist 10 hoch 16. Und sie verbrauchen anderthalb Megawatt Strom. Wäre das nicht großartig, wenn man das zur tansanischen Stromproduktion addieren könnte. Das würde die Wirtschaft richtig ankurbeln. Wenn wir zurück in die USA schauen, entspricht die Menge Strom, die dieser Computer vebraucht, 1.200 US-amerikanischen Haushalten. So viel Strom verbraucht dieser Computer.
What people didn't realize, and I'm just beginning to realize right now, is that we pay a huge price for the speed that we claim is a big advantage of these computers. Let's take a look at some numbers. This is Blue Gene, the fastest computer in the world. It's got 120,000 processors; they can basically process 10 quadrillion bits of information per second. That's 10 to the sixteenth. And they consume one and a half megawatts of power. So that would be really great, if you could add that to the production capacity in Tanzania. It would really boost the economy. Just to go back to the States, if you translate the amount of power or electricity this computer uses to the amount of households in the States, you get 1,200 households in the U.S. That's how much power this computer uses.
Jetzt vergleichen wir das doch mal mit dem Gehirn. Dies ist ein Bild vom Gehirn - von Rory Sayres' Freundin übrigens. Rory ist Student in Stanford. Er erforscht das Gehirn mittels MRI und er behauptet, dies sei das schönste Gehirn, das er jemals gescannt habe. (Gelächter) Das ist wahre Liebe. Also, wieviel Rechenkraft besitzt denn das Gehirn? Meine Schätzung liegt bei 10 hoch 16 Bits pro Sekunde, was sehr nah an dem liegt, was Blue Gene kann. Und da lautet doch die Frage: Wenn sie ähnlich viele Berechnungen durchführen, ähnlich viele Daten verarbeiten, wieviel Energie oder Elektrizität braucht dann das Gehirn dafür? Und es ist erstaunlicherweise soviel wie Ihr Laptop: Nur 10 Watt. Wofür Computer momentan dieselbe Energie wie 1.200 Haushalte brauchen, das schafft das Gehirn mit dem Energieverbrauch eines Laptop.
Now, let's compare this with the brain. This is a picture of, actually Rory Sayres' girlfriend's brain. Rory is a graduate student at Stanford. He studies the brain using MRI, and he claims that this is the most beautiful brain that he has ever scanned. (Laughter) So that's true love, right there. Now, how much computation does the brain do? I estimate 10 to the 16 bits per second, which is actually about very similar to what Blue Gene does. So that's the question. The question is, how much -- they are doing a similar amount of processing, similar amount of data -- the question is how much energy or electricity does the brain use? And it's actually as much as your laptop computer: it's just 10 watts. So what we are doing right now with computers with the energy consumed by 1,200 houses, the brain is doing with the energy consumed by your laptop.
Da fragt man sich, wie erreicht das Gehirn eine solche Effizienz? Lassen Sie mich das nochmal zusammenfassen: Das Gehirn verarbeitet Informationen mit 100.000 Mal weniger Energie, als wir das momentan mit unserer Computertechnologie können. Wie schafft das Gehirn das? Sehen wir uns dazu mal an, wie das Gehirn funktioniert, und im Vergleich dazu, wie Computer funktionieren. Hier sehen wir einen Clip aus der Serie "Das geheime Leben des Gehirns". Er zeigt diese Zellen, die Informationen verarbeiten. Man nennt sie Neuronen. Sie senden einander kleine elektrische Impulse entlang ihrer Bahnen und an Berührungspunkten können diese Impulse von einem Neuron zum anderen überspringen. Dieser Prozess heißt Synapse. Es gibt also dieses riesige Netzwerk interagierender Zellen, ungefähr 100 Millionen davon, die 10 Billiarden dieser Pulse pro Sekunde herumsenden. Und genau das passiert auch gerade in Ihrem Gehirn, während Sie sich dies angucken.
So the question is, how is the brain able to achieve this kind of efficiency? And let me just summarize. So the bottom line: the brain processes information using 100,000 times less energy than we do right now with this computer technology that we have. How is the brain able to do this? Let's just take a look about how the brain works, and then I'll compare that with how computers work. So, this clip is from the PBS series, "The Secret Life of the Brain." It shows you these cells that process information. They are called neurons. They send little pulses of electricity down their processes to each other, and where they contact each other, those little pulses of electricity can jump from one neuron to the other. That process is called a synapse. You've got this huge network of cells interacting with each other -- about 100 million of them, sending about 10 quadrillion of these pulses around every second. And that's basically what's going on in your brain right now as you're watching this.
Wie funktionieren dagegen Computer? In einem Computer fließen alle Daten durch die CPU, den Hauptprozessor, und alle Daten müssen durch diesen Flaschenhals hindurch. Wohingegen die Daten im Gehirn einfach durch das Netzwerk der Neuronen fließen. Es gibt hier keinen Engpass. Es handelt sich wortwörtlich um ein Netzwerk. Die Berechnungen im Gehirn sind das Werk des Netzes. Wenn man sich die beiden Bilder anguckt, dann kommen einem Begriffe in den Sinn wie: Das eine läuft starr und nach der Reihenfolge, wie Verkehr auf der Autobahn - alles muss im Gleichschritt passieren. Während hier der Prozess parallel und flüssig abläuft. Die Informationsverarbeitung ist höchst dynamisch und anpassungsfähig.
How does that compare with the way computers work? In the computer, you have all the data going through the central processing unit, and any piece of data basically has to go through that bottleneck, whereas in the brain, what you have is these neurons, and the data just really flows through a network of connections among the neurons. There's no bottleneck here. It's really a network in the literal sense of the word. The net is doing the work in the brain. If you just look at these two pictures, these kind of words pop into your mind. This is serial and it's rigid -- it's like cars on a freeway, everything has to happen in lockstep -- whereas this is parallel and it's fluid. Information processing is very dynamic and adaptive.
Doch ich bin nicht der erste, der das erkannt hat. Hier ist ein Zitat von Brian Eno: "Computer haben das Problem, dass in ihnen nicht genug Afrika steckt." (Gelächter) Brian hat das schon 1995 gesagt. Keiner hat damals zugehört, doch jetzt beginnen die Leute zuzuhören, weil wir es mit einem drängenden technologischen Problem zu tun haben. Auf den nächsten paar Folien werde ich Ihnen das kurz erläutern.
So I'm not the first to figure this out. This is a quote from Brian Eno: "the problem with computers is that there is not enough Africa in them." (Laughter) Brian actually said this in 1995. And nobody was listening then, but now people are beginning to listen because there's a pressing, technological problem that we face. And I'll just take you through that a little bit in the next few slides.
Es gibt eine bemerkenswerte Annäherung zwischen den Bauteilen, die wir in Computern benutzen, und den Bauteilen, die in unseren Gehirnen zum Einsatz kommen. Die Bauteile, die in Computern eingesetzt werden, heißen Transistoren. Diese Elektrode hier, Gate genannt, kontrolliert den Stromfluss von der Quelle (Source) zum Abfluss (Drain), diesen zwei Elektroden. Dieser Stromfluss, elektrischer Strom, wird von Elektronen übertragen, genau wie z.B. in Ihrem Haus. Wenn man jetzt das Gate einschaltet, kann Strom das Gate passieren und es entsteht ein stetiger Stromfluss. Wenn man das Gate ausschaltet, fließt kein Strom mehr durch das Teil. Ihr Computer interpretiert einen vorhandenen Stromfluss als eine Eins und die Abwesenheit eines Stromflusses als Null.
This is -- it's actually really this remarkable convergence between the devices that we use to compute in computers, and the devices that our brains use to compute. The devices that computers use are what's called a transistor. This electrode here, called the gate, controls the flow of current from the source to the drain -- these two electrodes. And that current, electrical current, is carried by electrons, just like in your house and so on. And what you have here is, when you actually turn on the gate, you get an increase in the amount of current, and you get a steady flow of current. And when you turn off the gate, there's no current flowing through the device. Your computer uses this presence of current to represent a one, and the absence of current to represent a zero.
Weil Transistoren jedoch kleiner und kleiner und kleiner werden, sehen wir zunehmend, dass sie sich nicht mehr so verhalten. Tatsächlich beginnen sie, sich mehr wie das Bauteil in Neuronen zu verhalten, das Ionenkanal genannt wird. Es handelt sich dabei um ein kleines Eiweißmolekül. Neuronen haben tausende davon. Es sitzt sich in der Zellmembran und hat eine kleine Öffnung, ein Pore. Und hier haben wir einzelne Kaliumionen, die durch diese Pore fließen. Nun kann sich diese Pore öffnen und schließen. Aber wenn sie offen ist, müssen sich die Ionen einreihen und nacheinander hindurchfließen, mit der Folge, dass kein stetiger sondern ein sporadischer Stromfluss entsteht. Und selbst wenn man die Pore schließt - was Neuronen tun können, sie können diese Poren öffnen und schließen, um elektrische Aktivität zu erzeugen, - selbst wenn sie geschlossen ist, können die winzigen Ionen sich ab und zu durchmogeln. Einige von ihnen schaffen das immer. Wenn die Pore geöffnet ist, fließt manchmal Strom. Dies sind die Einsen, aber mit ein paar Nullen drin. Und wenn sie geschlossen ist, ergeben sich Nullen aber mit einigen Einsen dabei.
Now, what's happening is that as transistors are getting smaller and smaller and smaller, they no longer behave like this. In fact, they are starting to behave like the device that neurons use to compute, which is called an ion channel. And this is a little protein molecule. I mean, neurons have thousands of these. And it sits in the membrane of the cell and it's got a pore in it. And these are individual potassium ions that are flowing through that pore. Now, this pore can open and close. But, when it's open, because these ions have to line up and flow through, one at a time, you get a kind of sporadic, not steady -- it's a sporadic flow of current. And even when you close the pore -- which neurons can do, they can open and close these pores to generate electrical activity -- even when it's closed, because these ions are so small, they can actually sneak through, a few can sneak through at a time. So, what you have is that when the pore is open, you get some current sometimes. These are your ones, but you've got a few zeros thrown in. And when it's closed, you have a zero, but you have a few ones thrown in.
Dasselbe passiert jetzt auch in Transistoren. Der Grund dafür ist, dass unsere gegenwärtige Technik, Stand 2007, Transistoren erzeugt, die groß genug sind, dass mehrere Elektronen gleichzeitig nebeneinander passieren können. Ungefähr 12 Elektronen passen da gleichzeitig durch, um genau zu sein. So kann man sagen, dass ein Transistor 12 parallel geschalteten Ionenkanälen entspricht. Doch in ein paar Jahren, zirka 2015, werden wir Transistoren so geschrumpft haben. Intel macht das, um mehr Kerne auf einen Chip zu kriegen oder um Speichersticks zu erweitern, auf die jetzt 1 Gigabyte Daten passen, und früher waren es 256 Megabyte. Transistoren werden kleiner, um das zu ermöglichen und das hat unsere Technologie wesentlich besser gemacht.
Now, this is starting to happen in transistors. And the reason why that's happening is that, right now, in 2007 -- the technology that we are using -- a transistor is big enough that several electrons can flow through the channel simultaneously, side by side. In fact, there's about 12 electrons can all be flowing this way. And that means that a transistor corresponds to about 12 ion channels in parallel. Now, in a few years time, by 2015, we will shrink transistors so much. This is what Intel does to keep adding more cores onto the chip. Or your memory sticks that you have now can carry one gigabyte of stuff on them -- before, it was 256. Transistors are getting smaller to allow this to happen, and technology has really benefitted from that.
Aber die Folge ist, dass der Transistor 2015 so klein geworden sein wird, dass nur noch ein Elektron auf einmal durch den Kanal fließen kann, was einem einzelnen Ionenkanal entspricht. Dadurch ergeben sich vermehrt dieselben Staus wie im Ionenkanal. Der Stromfluss wird immer wieder unterbrochen, selbst wenn er an sein soll, was bedeutet, dass Ihr Computer seine Nullen und Einsen durcheinander bekommt und die Maschine in Folge abstürzt.
But what's happening now is that in 2015, the transistor is going to become so small, that it corresponds to only one electron at a time can flow through that channel, and that corresponds to a single ion channel. And you start having the same kind of traffic jams that you have in the ion channel. The current will turn on and off at random, even when it's supposed to be on. And that means your computer is going to get its ones and zeros mixed up, and that's going to crash your machine.
Wir sind damit an einem Punkt, wo wir nicht wirklich wissen, wie wir mit so etwas noch rechnen sollen. Das einzige Vorbild, das wir derzeit haben, das Berechnungen unter diesen Umständen durchführen kann, ist das Gehirn.
So, we are at the stage where we don't really know how to compute with these kinds of devices. And the only kind of thing -- the only thing we know right now that can compute with these kinds of devices are the brain.
Okay, also ein Computer holt bestimmte Daten aus dem Speicher, und sendet sie an den Hauptprozessor oder die ALU, und schickt das Resultat zurück in den Speicher. Das ist der rot gekennzeichnete Pfad. In Gehirnen dagegen gibt es all diese Neuronen. Und sie stellen Daten dar, indem sie diese Daten in kleine Teile aufsplitten, die durch Pulse und unterschiedliche Neuronen repräsentiert werden. Es gibt also all diese Datenteile, über das ganze Netzwerk verteilt. Um diese zu verarbeiten und ein Resultat zu erhalten, wird das Aktivitätsmuster der Neuronen in ein neues Muster übersetzt, einfach indem es durch das Netzwerk fließt. Verbindungen werden so hergestellt, dass das Eingangsmuster abläuft und dabei das Ausgabemuster erzeugt wird.
OK, so a computer picks a specific item of data from memory, it sends it into the processor or the ALU, and then it puts the result back into memory. That's the red path that's highlighted. The way brains work, I told you all, you have got all these neurons. And the way they represent information is they break up that data into little pieces that are represented by pulses and different neurons. So you have all these pieces of data distributed throughout the network. And then the way that you process that data to get a result is that you translate this pattern of activity into a new pattern of activity, just by it flowing through the network. So you set up these connections such that the input pattern just flows and generates the output pattern.
Hier sieht man, dass es redundante Verbindungen gibt. Wenn dieses Datenfragment oder dieses da zu Bruch geht, und keine Ausgabe erzeugt, können diese zwei Teile das fehlende Stück aktivieren durch diese mehrfachen Verbindungen. Trotz dieser fehleranfälligen Bauteile, die manchmal statt einer Eins eine Null erzeugen, gibt es Mehrfachverbindungen im Netzwerk, die fehlende Informationen ersetzen können. Das macht das Gehirn von Grund auf stabil. Hier haben wir ein System, das Daten an einem Ort speichert. Und es ist anfällig, denn jeder Schritt muss fehlerfrei ablaufen, sonst gehen die Daten verloren. Das System des Gehirns dagegen speichert Daten dezentral und ist fehlertolerant.
What you see here is that there's these redundant connections. So if this piece of data or this piece of the data gets clobbered, it doesn't show up over here, these two pieces can activate the missing part with these redundant connections. So even when you go to these crappy devices where sometimes you want a one and you get a zero, and it doesn't show up, there's redundancy in the network that can actually recover the missing information. It makes the brain inherently robust. What you have here is a system where you store data locally. And it's brittle, because each of these steps has to be flawless, otherwise you lose that data, whereas in the brain, you have a system that stores data in a distributed way, and it's robust.
Worüber ich nun sprechen möchte, ist mein Traum, nämlich einen Computer zu bauen, der wie ein Gehirn funktioniert. Daran haben wir die vergangenen paar Jahre gearbeitet. Und ich zeige ihnen jetzt ein System, das wir entwickelt haben, das die Netzhaut nachbildet, einen Teil des Gehirns, der die Innenseite Ihres Augapfels bedeckt. Wir haben dafür keinen Programmiercode geschrieben wie beim Computer. Es ist nämlich so, dass die Berechnungen in diesem kleinen Hirnteil sehr ähnlich wie bei der Verarbeitung von Videos, die über das Internet gestreamt werden sollen. Die Informationen werden komprimiert. Es sollen nur die Veränderungen von einem Bild zum anderen gesendet werden. So schafft es das Auge, die ganzen Informationen durch den Sehnerv zu quetschen, und an den Rest des Hirns zu senden.
What I want to basically talk about is my dream, which is to build a computer that works like the brain. This is something that we've been working on for the last couple of years. And I'm going to show you a system that we designed to model the retina, which is a piece of brain that lines the inside of your eyeball. We didn't do this by actually writing code, like you do in a computer. In fact, the processing that happens in that little piece of brain is very similar to the kind of processing that computers do when they stream video over the Internet. They want to compress the information -- they just want to send the changes, what's new in the image, and so on -- and that is how your eyeball is able to squeeze all that information down to your optic nerve, to send to the rest of the brain.
Statt das als Software mit Algorithmen umzusetzen, ließen wir uns von Neurobiologen beraten, die die Netzhaut bereits analysiert und nachgebaut haben. Sie haben die Zelltypen zugeordnet, das Netzwerk verstanden und wir haben dieses Netzwerk genommen und es als Bauplan für einen Mikrochip genommen. Die Neuronen werden von Schaltkreise auf dem Chip repräsentiert und die Verbindungen zwischen Neuronen bestehen aus Transistoren. Die Transistoren verhalten sich im Grunde genau wie die Ionenkanäle im Gehirn. So ergibt sich derselbe fehlertolerante Aufbau wie vorhin.
Instead of doing this in software, or doing those kinds of algorithms, we went and talked to neurobiologists who have actually reverse engineered that piece of brain that's called the retina. And they figured out all the different cells, and they figured out the network, and we just took that network and we used it as the blueprint for the design of a silicon chip. So now the neurons are represented by little nodes or circuits on the chip, and the connections among the neurons are represented, actually modeled by transistors. And these transistors are behaving essentially just like ion channels behave in the brain. It will give you the same kind of robust architecture that I described.
So sieht unser künstliches Auge aus. Unser Netzhautchip befindet sich hinter dieser Linse hier. Ich zeige Ihnen jetzt ein Video das die künstliche Retina erzeugt hat, als es Kareem Zaghloul anschaute. Kareem ist der Student, der diesen Chip designt hat. Ich erkläre Ihnen kurz, was Sie sehen werden. Denn es werden verschiedene spezielle Daten erzeugt, nicht wie bei einer Kamera. Der Netzhautchip erfasst vier verschiedene Arten von Daten. Er erfasse dunkle Bereiche, die im Video rotgefärbt sind. Und er erfasst weiße oder helle Bereiche, die im Video grün sind.
Here is actually what our artificial eye looks like. The retina chip that we designed sits behind this lens here. And the chip -- I'm going to show you a video that the silicon retina put out of its output when it was looking at Kareem Zaghloul, who's the student who designed this chip. Let me explain what you're going to see, OK, because it's putting out different kinds of information, it's not as straightforward as a camera. The retina chip extracts four different kinds of information. It extracts regions with dark contrast, which will show up on the video as red. And it extracts regions with white or light contrast, which will show up on the video as green.
Hier sind Kareems dunkle Augen und das hier ist der weiße Hintergrund. Außerdem erfasst er Bewegungen. Wenn Kareem seinen Kopf nach rechts bewegt, sehen Sie hier blaue Aktivität. Das repräsentiert Bereiche, wo die Helligkeit des Bildes steigt, wo es sich von dunkel nach hell verändert. Dann sehen Sie noch gelbe Aktivität in Bereichen, wo sich die Helligkeit verringert, also von hell nach dunkel geht. Diese Arten von Informationen... Ihr Sehnerv hat etwa eine Million Fasern und 900.000 dieser Fasern senden diese vier Arten von Informationen. Wir bilden wirklich die Art Signale nach, die im Sehnerv vorkommen.
This is Kareem's dark eyes and that's the white background that you see here. And then it also extracts movement. When Kareem moves his head to the right, you will see this blue activity there; it represents regions where the contrast is increasing in the image, that's where it's going from dark to light. And you also see this yellow activity, which represents regions where contrast is decreasing; it's going from light to dark. And these four types of information -- your optic nerve has about a million fibers in it, and 900,000 of those fibers send these four types of information. So we are really duplicating the kind of signals that you have on the optic nerve.
Wie man merkt sind diese Aufnahmen vom Ausgang des Netzhautchips sehr spärlich. Nicht der ganze Hintergrund ist grün, nur die Ecken und so weiter. Dasselbe kann man beobachten, wenn Videos zum Versand komprimiert werden: vieles wird weggelassen, weil die Datei so kleiner wird. Genau das macht die Retina, und zwar nur mit ihren Schaltkreisen, dem Netzwerk von Neuronen und deren Verhalten, das wir hier auf dem Chip haben.
What you notice here is that these snapshots taken from the output of the retina chip are very sparse, right? It doesn't light up green everywhere in the background, only on the edges, and then in the hair, and so on. And this is the same thing you see when people compress video to send: they want to make it very sparse, because that file is smaller. And this is what the retina is doing, and it's doing it just with the circuitry, and how this network of neurons that are interacting in there, which we've captured on the chip.
Was ich Ihnen klarmachen will, ich zeig's Ihnen hier oben... Das Ausgabebild wird so aussehen wie diese hier, aber ich zeige Ihnen, dass wir das Bild rekonstruieren können, sodass Sie Kareem hier oben fast erkennen können. Los geht's. So funktioniert das. Ohne Bewegung sehen Sie nur helle und dunkle Flecken. Aber sobald Bewegung dazukommt, erfasst die Retina diese Veränderungen. Wenn Sie hier sitzen und sich plötzlich etwas neben Ihnen bewegt, richten Sie sofort den Blick darauf. Sie haben diese Zellen, die auf Veränderungen reagieren und Sie darauf hinweisen. Das hilft Ihnen dabei jemanden zu erwischen, der sich anschleichen will.
But the point that I want to make -- I'll show you up here. So this image here is going to look like these ones, but here I'll show you that we can reconstruct the image, so, you know, you can almost recognize Kareem in that top part there. And so, here you go. Yes, so that's the idea. When you stand still, you just see the light and dark contrasts. But when it's moving back and forth, the retina picks up these changes. And that's why, you know, when you're sitting here and something happens in your background, you merely move your eyes to it. There are these cells that detect change and you move your attention to it. So those are very important for catching somebody who's trying to sneak up on you.
Zum Abschluss will ich Ihnen zeigen, was passiert, wenn man Afrika in ein Piano steckt. Das ist eine umgebaute Stahltrommel. Das passiert, wenn man Afrika in ein Piano steckt. Wir sollten mehr Afrika in den Computer stecken und einen neuen Computer erfinden, der Gedanken, Vorstellungskraft hervorbringt und kreativ ist. Danke. (Applaus)
Let me just end by saying that this is what happens when you put Africa in a piano, OK. This is a steel drum here that has been modified, and that's what happens when you put Africa in a piano. And what I would like us to do is put Africa in the computer, and come up with a new kind of computer that will generate thought, imagination, be creative and things like that. Thank you. (Applause)
Chris Anderson: Eine Frage an dich, Kwabena. Verbindest du gedanklich deine Arbeit, die Zukunft Afrikas, diese Konferenz... Was für Verbindungen können wir dazwischen sehen?
Chris Anderson: Question for you, Kwabena. Do you put together in your mind the work you're doing, the future of Africa, this conference -- what connections can we make, if any, between them?
Kwabena Boahen: Ja, wie anfangs gesagt, Meinen ersten Computer bekam ich als Teenager in Accra. Ich hatte so ein Bauchgefühl, dass wir es falsch angehen. Es war sehr brachial, sehr unelegant. Diese Reaktion hätte ich wohl nicht gehabt, wenn ich als Kind Science-Fiction gelesen hätte, von RD2D2 gehört gehabt hätte, oder wie immer das hieß. Diesen Hype um Computer geglaubt hätte. Ich hatte einen anderen Blickwinkel darauf und habe meinen Blickwinkel benutzt, um das Problem anzugehen. Ich glaube, viele Afrikaner haben diese andere Perspektive, und ich glaube, das wird die Technologie beeinflussen. Es wird sich auf die technologische Entwicklung auswirken. Diese werden wir nutzen können, um neue Dinge zu erfinden, weil wir die Dinge aus einer anderen Sicht sehen. Wir können etwas beitragen, wir können träumen wie jeder andere.
Kwabena Boahen: Yes, like I said at the beginning, I got my first computer when I was a teenager, growing up in Accra. And I had this gut reaction that this was the wrong way to do it. It was very brute force; it was very inelegant. I don't think that I would've had that reaction, if I'd grown up reading all this science fiction, hearing about RD2D2, whatever it was called, and just -- you know, buying into this hype about computers. I was coming at it from a different perspective, where I was bringing that different perspective to bear on the problem. And I think a lot of people in Africa have this different perspective, and I think that's going to impact technology. And that's going to impact how it's going to evolve. And I think you're going to be able to see, use that infusion, to come up with new things, because you're coming from a different perspective. I think we can contribute. We can dream like everybody else.
Chris Anderson: Thanks Kwabena, das war sehr interessant. Danke.
CA: Thanks Kwabena, that was really interesting. Thank you.
(Applaus)
(Applause)