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.
هنگامی که نوجوان بودم اولین کامپیوترم را در آکرا(پایتخت غنا) گرفتم، و دستگاه بسیار جذابی بود. میتوانستید با آن بازی کنید. میتوانستید به زبان پایه آن را برنامهریزی کنید. و من مجذوب آن شده بودم. پس به کتابخانه رفتم تا بفهمم کامپیوتر چگونه کار میکند. من خواندم که پردازنده چگونه دادهها را دایما به این سو و آن سو جابجا میکند. بین حافظه داخلی، واحد RAM و واحد ALU، واحد حسابی و منطقی. و با خودم فکر کردم، این پردازنده باید دیوانه وار کار کند تا همه این دادهها را درون سیستم جابجا کند.
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?
اما هیچکس نگران این موضوع نبود. هنگامی که کامپیوترها برای اولین بار معرفی شدند، گفته شد که میلیونها بار سریع تر از نورونها هستند. مردم هیجانزده بودند. فکر میکردند که به زودی میتوانند از ظرفیت مغز پیشی بگیرند. این درواقع، یک نقل قول، ازآلان تورینگ است: «در ۳۰ سال آینده، سوال پرسیدن از یک کامپیوتر آسانتر از انسان خواهد بود.» این مربوط به سال ۱۹۴۶ بود. و الان در ۲۰۰۷، همچنان این حرف درست نیست. پس، سوال این است که، چرا ما واقعا قدرتی را که در مغز میبینیم، در کامپیوترها نمیبینیم؟
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.
چیزی که مردم آن را درک نکردند، و من تازه شروع به فهمیدن آن کردم، این است که ما هزینه زیادی برای سرعت میپردازیم که ادعا میکنیم مزیتی بزرگ برای این کامپیوترها است. بیایید نگاهی به ارقام بیندازیم. این بلوجین است، سریع ترین کامپیوتر در دنیا. ۱۲۰ هزار پردازنده دارد که میتوانند ده کوادریلیون بیت اطلاعات را درثانیه پردازش کنند. که برابر ۱۰ به توان ۱۶است. همچنین آنها یک ونیم مگاوات برق مصرف میکنند. پس بسیار عالی خواهد بود، اگر میتوانستیم آن را به ظرفیت تولید تانزانیا اضافه کنیم. این کامپیوتر میتواند اقتصاد را جلو ببرد. حالا برگردیم به ایالاتها، اگرشما مقدار انرژی یا الکتریسیته مصرفی رایانهها را به به میزان خانوادهها در ایالتها تبدیل کنید، مصرف الکتریسته آن برابر ۱۲۰۰ خانوار را خواهید داشت. این مقدار برقی است که این رایانه استفاده میکند.
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.
حالا بیایید این را با مغز مقایسه کنیم. این تصویر، درواقع مغز دوست دختر روری سایرس است روری دانش آموخته استانسفورد است او مغز را با استفاده از MRI مطالعه میکند و او ادعا میکند که این زیباترین مغزی است که او تا به حال اسکن کرده است (خنده حضار) این یک عشق حقیقی است، درست اینجا. مغز چه مقدار محاسبه انجام میدهد؟ تخمین میزنم که ده تا شانزده بایت در ثانیه، که در واقع شبیه به کاری است که بلو جین انجام میدهد. خب سوال این است چه مقدار-- پردازش مشابه را انجام میدهند؟ مقدار اطلاعات مشابه -- سوال این است مغز چه مقدار انرژی یا الکتریسیته استفاده میکند؟ در واقع به اندازه لبتاپ شماست. فقط ده وات است، آنچه که امروزه با کامپیوترها انجام میدهیم با انرژی که توسط ۱٫۲۰۰ خانهها مصرف شده، مغز با انرژی که توسط لپتابتان مصرف می کرد انجام میدهد.
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.
خب سوال این است که مغز چطور به این میزان کارآمدی دست پیدا میکند؟ واجازه دهید در یک خط خلاصه کنم: مغز اطلاعات را ۱۰۰،۰۰۰بار با انرژی کمتر از تکنولوژی رایانههایی که داریم پردازش میکند. مغز چگونه قادر به انجام این کار است؟ بیاید راجع به این که مغز چطور کار میکند نگاهی بکنیم. ومن کار آن را با عملکرد مغز مقایسه خواهم کرد. خب این کلیپی از مجموعهي PBS از "زندگی پنهانی مغز" است. به شما سلولها را نشان میدهد که اطلاعات را پردازش میکنند. آنها را نورون مینامند. آنها مقداری جریان الکتریسیته ضعیف را برای پردازش به همدیگر میفرستند، و جایی که با هم تماس پیدا میکنند، آن جریان الکتریسیته میتواند از نورون دیگر به دیگری منتقل شوند. این فرایند سیناپس نامیده میشود. شما این شبکه عظیمی ازسلولها را در ارتباط با یکدیگر-- در مورد ۱۰۰ میلیون از آنها دارید، که حدود ده کوادریلیون را در هر ثانیه میفرستد. و اساسا در مغزتان در حال انجام است، الان که این را میبینید.
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.
حال چگونه با کار رایانهها مقایسه میشود؟ در رایانهها شما اطلاعاتی دارید که از میان یک بخش پردازشگر عبور میکند، و هر قسمت از دادهها اساسا باید از آن گلوگاه عبور کند، درحالی که در مغز آنچه دارید در سلولهای عصبی است، و دادهها فقط از طریق یک شبکه از ارتباطات بین نورون جریان مییابد، اینجا گذرگاهی نیست. این واقعا یک شبکه به معنای واقعی کلمه است. شبکه کار را در مغز انجام میدهد. اگر شما به این دو تصویر نگاه کنید، این نوع از لغات به ذهن شما خطور میکند. این سریال است و سخت است--شبیه ماشین در بزرگراه است. همه چیز باید مرحله به مرحله اتفاق بیفتد-- در حالی که موازی است و روان. پردازش اطلاعات بسیار پویا و انطباقی است.
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.
خب من اولین نفر نیستم که این را فهمیده است این یک نقل قول از براون انو است: «مشکل رایانهها این است که به اندازه کافی در آنها افریقایی نیست.» (خنده حضار) براون درواقع در سال ۱۹۹۵ این را گفت. و هیچ کس گوش نمیداد، اما حالا افراد شروع به گوش دادن میکنند زیرا یک مشکل فشرده و فنی وجود دارد که ما با آن مواجه هستیم. که فقط دراسلایدهای بعدی تعداد کمی از آن را میگویم.
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.
در واقع -- این همگرایی قابل توجه بین دستگاههایی است که برای محاسبه کردن در رایانه استفاده میکنیم، و وسیلههایی که مغز ما برای محاسبه کردن استفاده میکند. دستگاههایی که کامپیوتر استفاده میکنند همان چیزی است که ترانزیستور نامیده میشود. الکترودی که اینجاست دریچه نامیده میشود جریان را از منبع به این دو الکترود کنترل میکند. و این جریان، جریان الکتریکی توسط الکترونها حمل میشود،.درست در منزل شما و به همین ترتیب. و چیزی که شما اینجا دارید وقتی که دریچه را باز میکنید، شما مقدار جریان را افزایش میدهید، و جریان دایمی پایدار را دریافت میکنید. و وقتی دریچه را میبندید، جریانی در داخل دستگاه وجود ندارد. رایانه شما از این حضور جریان برای نشان دادن یک استفاده میکند، و فقدان جریان صفر را نشان میدهد.
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.
آنچه که اتفاق میافتد این است که همان طور که ترانزیستورها کوچکتر میشوند، دیگر این چنین رفتار نمیکنند. در واقع، آنها مانند دستگاهی که نورونها برای محاسبه استفاده میکنند رفتار میکنند، که کانال یون نامیده میشود. این مقدار کمی مولکول پروتئین است. منظورم این است که نورونها هزاران برابر این را دارند. و آن در غشای سلول قرار میگیرد و در آن منافذ ایجاد میکند. واین یونهای پتاسیم تکی هستند که از طریق منفذ در عبور هستند، حالا این منافذ میتواند باز یا بسته شود اما زمانی که باز است چون که این یونها باید در خطوط قرار بگیرند واز آن عبور کنند هربار به نوعی پراکنده دارید نه دائم -- این یک جریان پراکنده است. و حتی زمانی که منفذ را میبندید -- که نورونها میتوانند انجام دهند، آنها میتوانند این دریچهها را باز یا ببندند تا فعالیت الکتریکی تولید کنند. حتی زمانی که بسته میشود به علت این که یونها بسیارکوچک هستند، آنها میتوانند درواقع مخفیانه حرکت کنند. تعداد کمی میتوانند عبور کنند. خب چیزی که شما دارید این است که زمانی که دریچهها باز هستند، شما گاهی اوقات تعدادی جریان خواهید داشت. اینها یکهای شما هستند، اما شما صفرها را بیرون انداختید. اما زمانی که بسته میشوند، شما صفر را دارید، اما تعداد کمی یک به بیرون دادید.
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.
این شروع در ترانزیستور اتفاق میافتد. و دلیل اتفاق این است که اکنون در سال۲۰۰۷ -- تکنولوژی که ما استفاده میکنیم -- یک ترانزیستور به اندازه کافی بزرگ است که چند الکترون میتوانند از طریق کانال همزمان کنار هم جریان داشته باشند. حدود ۱۲ میلیون الکترون هست که همه میتوانند به این طریق جریان داشته باشند. و به این معنی است که یک ترانزیستور به طور موازی به ۱۲کانال یونی متصل است. حالا در چند سال گذشته تا ۲۰۱۵ ترانزیستورها را خیلی کم خواهیم کرد. این همان چیزی است که اینتل برای اضافه کردن هستههای بیشتر به تراشه ادامه میدهد. یا حافظه شما نگه میدارد که اکنون میتوانید یک گیگابایت اطلاعاتی را در مورد آنها حمل کنید -- قبلا، ۲۵۶ بود. ترانزیستورها کوچکتر میشوند تا این اتفاق بیفتد. و فناوری واقعا از آن سود برده است.
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.
اما آنچه که الان درحال وقوع است این است که در ۲۰۱۵ ترانزیستورها دارند کوچکتر شوند، که تنها یک الکترون در یک زمان میتواند از طریق آن کانال جریان یابد، وآن پاسخگوی کانال یونی منفرد است. و شما این چنین فشردگی ترافیکی که در کانال یونی هست را دارید. جریان به طور دلخواه باز و بسته خواهد شد. حتی هنگامی که قرار است روشن باشد. و بدین معنی است که کامپیوتر شما صفر و یک را همزمان دارد و میخواهد ماشین شما را خراب کند.
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.
پس ما در مرحلهای هستیم که واقعا نمیدانیم که چگونه این نوع وسیلهها را محاسبه کنیم. و تنها چیزی که الان میدانیم -- که میتوانند این نوع از وسیلهها را محاسبه کنند مغزها هستند
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.
خب کامپیوتر بخشهای خاصی از اطلاعات را از حافظه انتخاب میکند، وآن را به پردازشگرALU ارسال میکند، و اطلاعات را به حافظه بر میگرداند. آن مسیر قرمز رنگ و سایه روشن است. راهی که مغزها کار میکنند، من به همه شما گفتم، همه شما این نورونها را دارید. و راهی که اطلاعات را نمایش میدهند، این است داده را به تکههای کوچک تجزیه میکنند که توسط پالسها ونورونهای مختلف نمایش داده میشود. پس شما همه این قسمتهای دادهها را ازطریق شبکه توزیع میکنید. و سپس راهی که شما دادهها را پردازش میکنید که به نتیجه برسید این است که شما این الگوهای فعالیت را به الگوهای فعالیت جدید ترجمه کنید. از راه شبکه جاری کنید. پس شما این ارتباطات را راهاندازی میکنید به طوری که الگوی ورودی فقط جریان مییابد و الگوی خروجی تولید میشود.
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.
آنچه در اینجا میبینید این است که این اتصالات بیش از حد وجود دارد. بنابراین اگر این قطعه داده یا این قطعه از دادهها خراب شود، آن را در اینجا نشان نمیدهد، این دو قطعه میتواند بخش گمشده را با این اتصالات بیرونی فعال کند. پس حتی زمانی که به سمت این دستگاههای جادویی میروید که در آن گاهی اوقات یک را میخواهید وچیزی دریافت نمیکنید. افزونگی در شبکه وجود دارد. که در واقع میتواند اطلاعات ازدست رفته را بازیابی کند. این مغز به طور ذاتی قوی است. آنچه اینجا دارید سیستمی است که دادهها را به صورت محلی ذخیره میکنید. و شکننده است زیرا هر یک از این مراحل باید بیعیب و نقص باشد. در غیر این صورت اطلاعات را از دست میدهید، در حالی که در مغز، سیستمی دارید که دادهها را به صورت توزیع شده ذخیره میکند و قدرتمند است.
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.
انچه که اساسا میخواهم راجع به آن صحبت کنم رویای من است، که ساختن کامپیوتری است که مانند مغز کار کند. این چیزی است که طی چند سال گذشته روی آن کار کردهایم. و قصد دارم به شما سیستمی که برای طراحی شبکیه طراحی کردهایم را نشان دهم. که قطعهای از مغز است که در داخل چشم قرار دارد. ما این کار را با نوشتن کد انجام ندادیم مثل چیزی که شما در کامپیوتر انجام میدهید. درحقیقت پردازشهایی که در آن قسمت کوچکی از مغز اتفاق میافتد بسیار شبیه نوع پردازش کامپیوتری است که هنگام پخش ویدئو در اینترنت انجام میشود. آنها قصد فشرده سازی اطلاعات را دارند -- آنها فقط میخواهند تغییرات را ارسال کنند، آنچه که جدید است در این تصویرو -- و این است که چشمان شما قادر به گنجاندن تمام اطلاعات به عصب بینایی شما است، برای ارسال به بقیه مغز.
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.
به جای انجام این کار در نرم افزار یا انجام این نوع الگوریتمها، ما رفتیم و با متخصصان نوروفیزیولوژی صحبت کردیم که در واقع معکوس آن قسمت از مغز را که شبکیه نامیده میشود، طراحی کردهاند. و آنها همه سلولهای مختلف را تشخیص دادند، شبکه را تشخیص دادند، و ما فقط آن شبکه را گرفتیم و از طرح آن برای طراحی یک سیلیکون استفاده کردیم. پس در حال حاضر نورونها توسط گرهها یا مدارهای کوچک روی تراشه نشان داده میشوند، وارتباطات میان نورونها نشان داده، درواقع با ترانزیستورها نمایش داده شده است. واین ترانزیستورها اساسا درست مثل رفتار کانالهای یونی در مغز رفتار میکنند. این به شما یک نوع از معماری قوی را که من شرح دادم نشان میدهد.
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.
اینجا درواقع چشمان مصنوعی ما به نظر میرسد. تراشه شبکیهای که ما طراحی کردیم در پشت این لنز قرار دارد. و تراشه -- من میخواهم به شما ویدیویی نشان دهم که شبکیه سیلیکونی خروجی خود را هنگامی که به کریم زاقلول نگاه میکرده منتشر کرده، دانشآموزی است که این تراشه را طراحی کرده است. بگذارید توضیح دهم که چه چیزی را میبینید، زیرا اطلاعات مختلفی را در اختیار شما قرار میدهد، این به عنوان نگاه مستقیم به دوربین نیست. تراشه شبکیه چهار نوع اطلاعات مختلف را استخراج میکند. این مناطق را با تضاد تیره استخراج میکند، که در ویدیو به صورت قرمز نشان داده خواهد شد. و مناطق را با تضاد سفید یا روشنی استخراج میکند، که در ویدیو به صورت سبز نمایش داده خواهد شد.
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.
اینها چشمان تیره کریم هستند و این زمینه سفید که در اینجا مشاهده میکنید. وسپس آن حرکت را استخراج میکند. وقتی کریم سر خود را به راست حرکت میدهد، شما این فعالیت آبی را در آنجا خواهید دید. آن مناطقی را نشان میدهد که در آن تضاد رنگی در تصویر افزایش مییابد. آن جایی است که از تیرگی به روشنی میرود. و همچنین این فعالیت زرد را میبینید، که نشان دهنده مناطقی است که تضاد در حال کاهش است؛ از روشنی به تیرگی میرود. و این چهار نوع اطلاعات عصب بینایی شما -- حدود یک میلیون الیاف در آن وجود دارد، و ۹۰۰٫۰۰۰ آن الیافها این چهار نوع اطلاعات را ارسال میکنند. بنابراین ما واقعا نوع سیگنالهایی را که شما بر روی عصب بینایی دارید کپی میکنیم.
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.
آنچه در اینجا متوجه شدهاید این است که این عکسهای فوری از خروجی تراشه شبکیه بسیار پراکنده هستند. درسته؟ این سبز در همه جا در پس زمینه روشن نیست، فقط در لبه ها وسپس در مو وغیره. واین همان چیزی است که میبینید وقتی مردم ویدیو رابرای ارسال فشرده میکنند میخواهند آن را بسیار پراکنده کنند، زیرا این فایل کوچکتر است و چیزی است که شبکیه انجام میدهد. و آن را فقط با مدار انجام میدهد، و چگونه این شبکه اعصاب که در آن تعامل دارند که ما در تراشه به دست آوردیم.
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.
اما نکتهای که میخواهم اشاره کنم -- من اینجا را نشان میدهم. بنابراین این تصویر در اینجا به نظر میرسد مانند این یکی باشد، اما در اینجا من به شما نشان خواهم داد میتوانیم تصویر را بازسازی کنیم، خب میدانید، میتوانید تقریبا کریم را در قسمت بالای آن ببینید. وخب این هم از این. خُب، این یک ایده است. وقتی هنوز ایستادهاید فقط تضاد روشنی وتیرگی را میبینید. اما وقتی به عقب و جلو حرکت میکند، شبکیه این تغییرات را بر میدارد. و میدانید چرا هنگامی که در اینجا نشستهاید و چیزی در پس زمینه شما اتفاق میافتد، شما صرفا چشم خود را به سمتش حرکت میدهید. سلولهایی هستند که تغییر را تشخیص میدهند و شما توجه خود را به آن منتقل میکنید. بنابراین آنها برای گرفتن کسی که سعی در دزدیدن شما دارد بسیار مهم هستند. اجازه دهید بحثم را با این گذاره تمام کنم که این چیزی است که اتفاق میافتد زمانی که شما آفریقا را در یک پیانو قرار دهید خب. این یک درام استیل است که اصلاح شده است.
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)
این چیزی است که زمانی که شما آفریقا را در پیانو قرار دهید اتفاق میافتد. و آنچه مایلم انجام دهیم این است که آفریقا را در زمره تولید رایانه قرار دهیم، و با نوع جدیدی از کامپیوتر که تفکر، تصور، خلاقیت و چیزهایی مثل آن را شامل شود. متشکرم. (تشویق) کریس اندرسون: یه سوال کوابنا.
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?
آیا کارهایی را انجام میدهید که در ذهن دارید، آینده آفریقا، این همایش -- چه ارتباطاتی میتوانیم بین آنهاایجاد کنیم؟ کوابنا بوهن: بله همانطور که در ابتدا گفتم
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.
من اولین رایانهام را در نوجوان در اکرا گرفتم و این واکنش احساسی راداشتم که کار اشتباهی بود. روش احساس بسیار قدرتمند و ناهنجاری بود. من فکر نمیکنم که این واکنش را داشتم، اگر با خواندن همه تخیلات علمی، شنیدن راجع به RD2D2 بزرگ میشدم. هرآنچه که نامیده میشود و شما میدانید، اعتیاد به مواد مخدر در مورد کامپیوترها من از دیدگاه متفاوت به آن رسیدم، جایی که این دیدگاه متفاوت را به وجود آوردم تا مشکل را برطرف کنم. و فکر میکنم بسیاری از مردم در آفریقا این دیدگاه متفاوت را دارند، و فکر میکنم این فناوری را تحتتاثیر قرار میدهد. وآن را تحت تاثیر قرار میدهد تا چگونگی تکامل آن را تغییر دهد. فکر میکنم شما می توانید ببینید، با کمک آن تزریق چیزهای جدیدی میآید، زیرا شما از زاویه دیگری نگاه میکنید. فکر میکنم میتوانیم کمک کنیم. میتوانیم مثل هر کس دیگری آرزو کنیم.
CA: Thanks Kwabena, that was really interesting. Thank you.
ک ا: ممنونم کوابنا. خیلی جالب بود. متشکرم.
(Applause)
(تشویق)