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.
J'ai eu mon premier ordinateur quand j'étais adolescent et que je grandissais à Accra, et c'était vraiment une belle machine. On pouvait jouer avec ou le programmer en BASIC Et j'étais fasciné. Donc je suis allé à la bibliothèque pour comprendre comment cette chose marchait. J'ai lu sur le processeur qui fait constamment aller et venir les données entre la memoire, la RAM et l'UAL, l'unité arithmétique et logique. Et je me suis dit que le processeur devait vraiment travailler comme un fou simplement pour que toutes ces données bougent à travers le système.
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?
Mais personne ne s'inquiétait vraiment de ça. Quand les ordinateurs ont commencé à être connus, Ils disaient qu'ils étaient un million de fois plus rapide que les neurones. Les gens étaient vraiment excités, ils pensaient qu'on allait bientôt dépasser les capacités du cerveau. Une citation d'Alan Turing: "Dans 30 ans, ce sera aussi facile de poser une question à un ordinateur, que d'en poser une à une personne." C'était en 1946. Et maintenant en 2007, ce n'est toujours pas le cas. Mais pourquoi donc on ne voit pas encore la même puissance dans les ordinateurs que l'on voit dans le cerveau ?
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.
Ce que les gens ne réalisent pas, et que je commence à réaliser maintenant, c'est que nous avons payé le prix fort pour la vitesse, que l'on disait être un gros avantage pour ces ordinateurs. Regardons ces quelques chiffres. C'est Blue Gene, l'ordinateur le plus rapide au monde. Il a 120 000 coeurs qui peuvent traiter 10 millions de milliards d'information par seconde. C'est 10 puissance 16. Et ça consomme un demi mégawatt. Donc ça serait vraiment génial, si on pouvait les ajouter à la production électrique de la Tanzanie. ça boosterait vraiment l'économie. Pour revenir aux U.S.A, si on traduit la quantité d'énergie électrique que cet ordinateur utilise en nombre de foyers américains, ça donne 1 200 ménages, Voilà pour l'énergie qu'utilise cet ordinateur.
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.
Maintenant, comparons le avec le cerveau. Voici une image du cerveau de la petite amie de Rory Sayres. Rory est un étudiant de troisième cycle à Stanford. Il étudie le cerveau par IRM et il prétend que c'est le plus beau cerveau qu'il ait jamais scanné. (Rires) Ca, c'est vraiment de l'Amour. Alors, à quelle vitesse calcule le cerveau ? Je l'estime à 10 puissance 16 bits par seconde ce qui est en fait très proche de ce que fait Blue Gene. Donc, la vraie question, c'est combien -- Ils calculent autant, une quantité similaire de donnée -- La question c'est quelle énergie, combien d'électricité est ce que le cerveau utilise ? Et en fait, c'est autant que votre ordinateur portable : seulement 10 watts. Donc, ce que nous faisons actuellement avec les ordinateurs avec l'énergie consommée par 1 200 maisons, le cerveau le fait avec l'énergie consommée par votre PC portable.
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.
Alors, comment est ce que le cerveau peut être aussi efficace ? Et laisser moi résumer, voici les faits : le cerveau fonctionne en utilisant 100 000 fois moins d'énergie que ce que nous faisons maintenant avec notre technologie informatique. Comment le cerveau peut il faire cela ? Regardons juste comment le cerveau fonctionne, et après on va comparer ça à comment les ordinateurs fonctionnent. Ce clip vient de la série PBS, "La vie secrète du Cerveau". Qui vous monte ces cellules qui traitent l'information. Ce sont les neurones. Ils s'envoient des petites impulsions électriques et à l'endroit où ils se touchent, ces petites impulsions électriques peuvent sauter d'un neurone à un autre. On appelle ça une synapse. On a cet énorme réseau de cellules qui interagissent ensemble, environ 100 million, qui envoient environ 10 million de milliard d'impulsions par seconde. Et c'est exactement ce qui se passe dans votre cerveau maintenant alors que vous me regardez.
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.
Comment comparer cela à la façon de travailler des ordinateurs ? Dans l'ordinateur, on a toutes les données qui passent par le processeur central, et chaque bout de donnée doit absolument passer par ce goulot d'étranglement Alors que dans le cerveau, on a ces neurones et les données circulent librement à travers ce réseau de connections parmi les neurones, il n'y a pas de goulot d'étranglement ici. C'est vraiment un réseau au sens littéral du terme. C'est le réseau qui fait le travail dans un cerveau. Si vous regardez simplement ces deux images, voici les mots qui vous viennent à l'esprit. L'ordinateur est séquentiel et rigide, c'est comme des voitures sur l'autoroute -- tout doit se faire dans un ordre précis. Alors que le cerveau est asynchrone et fluide. Le traitement de l'information est dynamique et adaptable.
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.
Et je ne suis pas le premier à le dire. Voici une citation de Brian Eno : "Le problème avec les ordinateurs, c'est qu'il n'y a pas assez d'Afrique en eux." (Rires) En fait, Brian a dit ça en 1995. Et personne ne l'écoutait, mais maintenant les gens commencent à écouter car nous sommes confrontés à un problème technologique urgent. Et je vais vous l'expliquer dans les prochaines diapos.
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.
C'est -- Il y a vraiment une convergence remarquable entre les éléments utilisées pour calculer dans les ordinateurs, et les éléments utilisés par notre cerveau pour calculer. Les éléments de base utilisés par les ordinateurs sont appelés les transistors. Cette électrode ici, appelée un pont, contrôle le flux de courant de l'entrée à la sortie, ces deux électrodes. Et le courant, un courant éléctrique est transporté par des électrons, exactement comme dans votre maison, etc. Et voici ce qui se passe : quand on active le pont, on obtient une augmentation de la quantité de courant, il y a un flux constant de courant. Et quand on désactive le pont, le courant ne passe plus. Votre ordinateur utilise la présence de courant pour réprésenter un un, et l'absence de courant pour représenter un zéro.
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.
Mais maintenant, ce qui se passe, c'est que les transistors sont vraiment de plus en plus petits. Ils ne se comportent plus comme ça. En fait, Ils commencent à se comporter comme ce que les neurones utilisent pour calculer, ce qu'on appelle les canaux ioniques. Et ça c'est une petite molécule de protéine. Les neurones en ont des miliers comme ça. Et ils se trouvent dans la membrane de la cellule, et il y a un pore dedans. Et ça ce sont plusieurs ions potassium, qui passent à travers ce pore. Et ce pore peut s'ouvrir et se fermer. Mais, quand c'est ouvert, comme ces ions doivent être alignés et ils circulent un par un, on a un courant irrégulier, pas constant -- C'est un flux de courant sporadique. Et même avec le pore fermé, ce que les neurones peuvent faire Ils ouvrent et ferment ces pores pour générer l'activité électrique -- et même quand c'est fermé, comme ces ions sont si petits, ils peuvent se faufiler à travers, quelques uns peuvent passer. Et au final, quand un pore est ouvert, On a du courant de temps en temps. Ce sont les "un", mais il y a quelques zéros à l'intérieur. Et quand c'est fermé, vous avez un zéro, mais il y a quelques un dedans, OK.
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.
Et maintenant, ça commence à arriver aussi aux transistors. Et la raison pour laquelle ça arrive, c'est que, en ce moment même en 2007, la technologie utilisée, un transistor est assez gros pour que plusieurs électrons puissent couler ensemble à travers le canal, côte à côte. En fait, il y a environ 12 électrons qui peuvent traverser en même temps. Et cela signifie qu'un transistor correspond à environ 12 canaux ioniques en parallèle. Mais dans quelques années, vers 2015, nous allons tellement rétrécir les transistors. C'est ce que fait Intel en ajoutant toujours plus de coeurs sur les puces, et nos clés USB actuelles peuvent stocker un gigabyte de données. Avant, c'était 256. Les transistors sont de plus en plus petits pour permettre tout cela, et la technologie a vraiment profité de ça.
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.
Mais ce qui se passe, c'est qu'en 2015, les transistors seront devenus tellement petits, qu'ils ne correspondent qu'à un seul électron à la fois pouvant traverser ce canal, et ça correspond à un seul canal ionique. Et on commence à avoir le même type d'embouteillages que l'on a dans les canaux ioniques, le courant va s'activer et se désactiver au hasard, même quand il est censé être activé. Et ça veut dire que votre ordinateur va avoir ses un et ses zéros mixés, et ça va faire planter votre machine.
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.
Donc, voilà où nous en sommes. Nous ne savons pas vraiment calculer avec ce genre de matériel. Et la seule chose que nous connaissons en ce moment, qui peut calculer avec ce matériel, c'est le cerveau.
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.
OK, donc un ordinateur prend une donnée spécifique dans la mémoire, l'envoie dans le processeur ou dans l'unité logique, et ensuite, il remet le résultat dans la mémoire. C'est le chemin rouge qui est surligné. La façon de travailler du cerveau, vous avez tous ces neurones. Et leur façon de représenter l'information est Ils divisent les données en petits morceaux qui sont représentés par des impulsions et des neurones différents. Donc on a tous ces bouts de donnée répartis au sein du réseau. Et puis la façon dont vous travaillez les données pour avoir un résultat c'est que vous traduisez ce modèle d'activité en un nouveau modèle, juste en le faisant passer à travers le réseau. Donc vous fixez ces connections afin que l'influx coule à travers le réseau et génère le modèle final.
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.
Ce que vous voyez ici, c'est qu'il y a des connections redondantes. Donc, si un bout de donnée ou un autre est abîmé, ça n'a aucun effet, ces deux parties peuvent activer la partie manquante grâce à ces connections redondantes. Donc même avec un matériel nul avec un zéro alors que l'on veut un un, la redondance dans le réseau permet de retrouver l'information manquante. Cela rend le cerveau robuste par nature. Ce que vous avez ici, c'est un système où les données sont stockées localement. Et c'est fragile, parce que chacune de ces étapes doit être parfaite, ou sinon on perd des données. Alors que dans le cerveau, on a un système qui stocke les données de façon distribuée, et c'est solide.
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.
Ce que je veux partager, c'est mon rêve qui est de construire un ordinateur qui fonctionne comme le cerveau. Nous avons travaillé sur le sujet depuis une vingtaine d'années. Et je vais vous montrer le système que nous avons conçu pour modéliser la rétine, qui est une partie du cerveau qui tapisse l'intérieur de vos yeux. Nous ne l'avons pas fait en écrivant du code, comme on fait dans un ordinateur. En fait, le processus qui se déroule dans ce morceau de cerveau est très similaire au type de processus que les ordinateurs utilisent quand ils font du streaming vidéo sur internet. Ils veulent compresser l'information -- Ils veulent envoyer uniquement les changements, ce qui est nouveau dans l'image et le son-- et c'est la façon dont votre œil peut faire passer toute cette information dans le nerf optique, pour l'envoyer au reste du cerveau.
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.
Au lieu de faire ça par le logiciel, ou avec ces types d'algorithmes, nous sommes allés parler aux neurobiologistes qui ont étudié le fonctionnement de cette partie du cerveau, la rétine. Et ils ont compris le rôle de chaque cellule, et ils ont compris le réseau, et nous avons juste pris ce réseau et nous l'avons pris comme modèle pour le design d'une puce en silicone. Et donc les neurones sont représentés par des petits noeud ou des circuits sur la puce, et les connections entre les neurones sont pour l'instant modelées par des transistors. Et ces transistors se comportent exactement comme les canaux ioniques dans le cerveau. Et ça va donner le même type d'architecture que j'ai décris.
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.
Voici à quoi ressemble notre oeil artificiel. La puce de rétine que l'on a conçue est derrière la lentille, ici. Et la puce -- Je vais vous montrer une vidéo que la puce de silicone a produit quand elle regardait Kareem Zaghloul, qui est l'étudiant qui a conçu cette puce. Laissez moi vous expliquer ce que vous allez voir, d'accord ? Parce que ça mélange différents types d'information et ce n'est pas aussi direct qu'un camera. La puce de rétine extrait cinq types d'information différents. Elle extrait les régions avec un contraste foncé, qui sera montré en rouge sur la vidéo. Et elle extrait les régions avec les contrastes blancs ou clairs, qui seront montrés en vert sur la vidéo.
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.
Ce sont les yeux foncés de Kareem et ça, c'est l'arrière plan blanc que vous voyez ici. Et ensuite, ça extrait aussi le mouvement. Quand Kareem bouge sa tête vers la droite, vous allez voir cette activité bleue ici, ça représente les régions où le contraste augmente dans l'image, c'est là où ça passe du foncé au clair. Et vous voyez aussi cette activité jaune, qui représente les régions où le contraste décroit, ça passe du clair au foncé. Et ces cinq types d'information -- votre nerf optique comporte environ un million de fibres, et 900 000 de ces fibres envoient ces cinq types d'information. Donc on a vraiment copié le type de signal que l'on a dans le nerf optique.
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.
Vous pouvez remarquer que ces captures d'écran prises à la sortie de la puce rétinienne sont très clairsemées. Ca ne s'affiche pas en vert partout sur l'arrière plan, seulement sur les bords, etc. Et c'est la même chose que l'on voit quand les gens compressent la vidéo pour l'envoyer : ils veulent la rendre très clairsemée, parce que le fichier est plus petit. Et c'est ce que la rétine fait, et elle le fait seulement avec le circuit, et la façon dont ce réseau de neurone qui interagissent dedans, que nous avons capturés dans la puce.
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.
Mais le point que je veux faire, je vais vous le montrer ici. Donc cette image va paraitre comme celles-ci, mais ici, je vais vous montrer que l'on peut reconstruire l'image, pour que l'on puisse presque reconnaitre Kareem dans la partie du haut. On y va. Voilà, c'est ça l'idée. Quand vous restez immobile, on voit juste ces contrastes clairs et foncés. Mais quand ça fait un mouvement de va et vient, la rétine détecte ces changements. Et c'est pourquoi, vous savez, quand on est là et que quelque chose se passe dans l'arrière plan, vous déplacez à peine vos yeux. Ce sont les petites cellules qui détectent le changement et votre attention se porte sur lui. Donc c'est très important pour attraper quelqu'un qui s'approche furtivement.
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)
Laissez moi juste finir en vous montrant ce qui se passe quand on met l'Afrique dans un piano, OK. C'est un tambour en métal qui a été modifié, et c'est ce qui arrive quand on met l'Afrique dans un piano. Et ce que je voudrait que l'on fasse, c'est de mettre l'Afrique dans un ordinateur, et de créer un nouveau type d'ordinateur qui va générer de la pensée, de l'imagination, qui sera créatif, et caetera. Merci. (Applaudissements)
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?
Chris Anderson : J'ai une question pour vous, Kwabena. Est ce que vous associez dans votre esprit le travail que vous faites et l'avenir de l'Afrique, cette conférence -- quelles connections peut t'on faire entre ces choses ?
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.
Kwabena Boahen : Oui, comme je l'ai dit au début. J'ai eu mon premier ordinateur quand j'étais adolescent à Accra. Et j'ai eu cette réaction instinctive que c'était la mauvaise façon de faire. C'était une démarche de force brute, pas du tout élégante. Je ne pense pas que j'aurais eu cette réaction, si je n'avais pas grandi en lisant toute cette science-fiction, qui parlait de RD2D2, peu importe comment on l'appelle, et juste -- vous savez et été complètement fasciné par tout ce battage sur les ordinateurs. Je m'en suis approché avec une perspective différente, où j'utilisais cette perspective différente pour résoudre le problème. Et je pense que beaucoup d'Africains ont ce point de vue différent, et je pense que ça aura un impact sur la technologie. Et que ça va modifier son évolution. Et je pense qu'on va bientôt pouvoir utiliser cette contribution pour arriver à de nouvelles choses, parce que nous venons d'un horizon différent. Je pense que nous pouvons contribuer, que nous pouvons rêver comme n'importe qui d'autre.
CA: Thanks Kwabena, that was really interesting. Thank you.
Chris Anderson : Merci Kwabena, c'était vraiment intéressant. Merci.
(Applause)
(Applaudissements)