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.
Ik kreeg mijn eerste computer toen ik een tiener was in Accra. Een echt cool apparaat. Je kon er spelletjes op spelen en programmeren in BASIC. Ik was gefascineerd. Ik ging naar de bibliotheek om erachter te komen hoe dit ding werkte. Ik las hoe de CPU constant gegevens heen en weer schoof tussen geheugen, RAM en de ALU, de rekenkundige en logische eenheid. Ik vond dat die CPU als een gek moest werken alleen maar om al die gegevens rond te sturen in het systeem.
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?
Maar niemand maakte zich daar druk over. Toen computers voor het eerst werden geïntroduceerd, werd gezegd dat ze een miljoen keer sneller waren dan neuronen. De mensen waren er erg enthousiast over. Ze dachten dat ze spoedig de capaciteit van de hersenen zouden overtreffen. Dit is een citaat van Alan Turing: 'Over 30 jaar zal het net zo eenvoudig zijn om aan een computer een vraag te stellen als aan een persoon.' Dat was in 1946. In 2007 is het nog steeds niet waar. Waarom kunnen computers nog altijd niet wat hersenen kunnen?
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.
Wat mensen niet beseften en ik begin het nu pas te beseffen, is dat we een enorme prijs betalen voor de snelheid waarvan we beweren dat ze een groot voordeel is van deze computers. Laten we eens wat getallen bekijken. Dit is Blue Gene, de snelste computer ter wereld. Hij heeft 120.000 processors. Hij kan in principe 10 biljard bits aan informatie per seconde verwerken. Dat is 10 tot de 16e. Ze verbruiken een vermogen van anderhalf megawatt. Het zou echt geweldig zijn als je dat al zou kunnen toevoegen aan de productiecapaciteit van Tanzania. Het zou de economie echt stimuleren. In de Verenigde Staten zou dat al genoeg zijn om 1.200 huishoudens van stroom te voorzien. Zoveel vermogen verbruikt deze computer.
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.
Laten we dit eens vergelijken met de hersenen. Dit is een foto van de hersenen van Rory Sayres' vriendin. Rory is afgestudeerd aan Stanford. Hij bestudeert de hersenen met behulp van MRI en beweert dat dit is de mooiste hersenen zijn die hij ooit heeft gescand. (Gelach) Dat is echte liefde. Hoeveel berekeningen doen deze hersenen? Ik schat 10 tot de 16 bits per seconde. Vergelijkbaar met wat Blue Gene doet. Hoeveel verbruiken de hersenen nu voor het verwerken van een vergelijkbare hoeveelheid data? Ongeveer zoveel als je schootcomputer: slechts 10 watt. Terwijl computers een vermogen van 1.200 huizen verbruiken, doet het brein hetzelfde met het verbruik van een laptop.
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.
Hoe slaagt het brein erin om dit soort van efficiëntie te bereiken? Laat het me even samenvatten. Om het kort te zeggen: hersenen verwerken informatie op een 100.000 keer zuiniger manier dan onze computers. Hoe kan dat? Laten we eens kijken hoe het brein werkt en dan vergelijk ik dat met hoe computers werken. Deze clip uit de PBS-serie 'Het Geheime Leven van het Brein' toont jullie deze cellen die informatie verwerken. Ze heten neuronen. Ze sturen kleine elektrische impulsen naar elkaar en waar ze met elkaar in contact staan, springen die kleine pulsen van de ene zenuwcel naar de andere. Dat proces heet een synaps. In dit enorme netwerk van met elkaar inter-agerende cellen zitten er ongeveer 100 miljoen. Ze verzenden elke seconde ongeveer tien biljard van deze pulsen. Dat is nu gaande in je hersenen terwijl je dit bekijkt.
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.
Hoe werkt dat vergeleken met de manier waarop computers werken? In de computer moeten alle gegevens de centrale verwerkingseenheid passeren. Elk stukje informatie moet in principe door die flessenhals. In de hersenen heb je deze neuronen en de data stromen gewoon door een netwerk van verbindingen tussen de neuronen. Geen flessenhals hier. Het is echt een netwerk in de letterlijke zin van het woord. Dat net doet het werk in de hersenen. Als je kijkt naar deze twee foto's kom je op dit soort ideeën. Dit is serieel en stijf: het is net als auto's op een snelweg - alles moet ordelijk gebeuren. Maar hier is het parallel en in vochtig midden. Informatieverwerking is erg dynamisch en adaptief.
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.
Ik ben niet de eerste om op dat idee te komen. Dit is een citaat van Brian Eno: 'Het probleem met computers is dat ze niet genoeg Afrika in zich hebben.' (Gelach) Brian zei dit in 1995. Niemand luisterde er toe naar, maar nu beginnen mensen ernaar te luisteren want er is een dringend technisch probleem waarmee we worden geconfronteerd. Daar gaan de volgende paar dia's over.
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.
Er is een opmerkelijke convergentie tussen de apparaten die we gebruiken om te rekenen in computers en de apparaten die onze hersenen daarvoor gebruiken. In computers heten die transistors. Deze elektrode hier, de 'gate', controleert de stroom van de 'source' naar de 'drain', deze twee elektroden. Een stroom van elektronen, net als in jullie huis enzovoort. Als je de spanning op de gate verhoogt, neemt de hoeveelheid stroom toe. Je krijgt een gestage stroom. Als je de gate uitschakelt, gaat er geen stroom meer door het apparaat. Voor de computer betekent deze stroom een één en de afwezigheid ervan een nul.
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.
Als transistors kleiner en kleiner worden, gaan ze zich anders gedragen. Ze gaan zich gedragen als het systeem dat neuronen gebruiken om te rekenen. Het wordt een ionkanaal genoemd. Het is een klein eiwitmolecuul. In neuronen zitten er duizenden. Ze bevinden zich in het celmembraan en ze omgeven een porie. Hier zie je kaliumionen door die poriën gaan. Deze poriën kunnen open en dicht. Als ze open zijn, omdat deze ionen in de rij moeten staan om er een voor een door te gaan, krijg je een sporadische, geen constante, af en toe onderbroken stroom. Zelfs als de porie dicht is - neuronen kunnen ze openen en sluiten om elektrische activiteit te genereren - zelfs wanneer ze gesloten is, kunnen af en toe een paar ionen erdoor sluipen, omdat ze zo klein zijn. Wanneer de porie open is, krijg je een soms wat stroom, een één. Dit zijn de énen met af en toe een paar nullen. Als ze gesloten is, heb je een nul, maar ook weer met wat énen ertussen.
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.
Dit zie je nu ook al bij transistors. Dat gebeurt nu in 2007, omdat met de huidige technologie een transistor groot genoeg is om meerdere elektronen naast elkaar tegelijk door het kanaal te laten stromen. In feite zijn er ongeveer 12 elektronen waarmee dat kan. Dat betekent dat een transistor overeenkomt met ongeveer 12 parallelle ionkanalen. Binnen een paar jaar tijd, in 2015, zullen we nog veel kleinere transistors maken. Dit is wat Intel doet om meer eenheden op een chip te krijgen, bijvoorbeeld op je geheugensticks van één gigabyte. Vroeger konden daar slechts 256 Kilobytes op. Transistors werden steeds kleiner en de technologie deed er haar voordeel mee.
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.
Maar in 2015 gaat de transistor zo klein worden, dat er slechts één elektron per keer via dat kanaal kan passeren. Dat komt overeen met één enkel ionkanaal. Je gaat dan hetzelfde soort files krijgen als in het ionkanaal. De stroom zal op willekeurige wijze aan- en uitgaan zelfs als het aan zou moeten zijn. Dat betekent dat in je computer de enen en nullen door elkaar gaan geraken en dat je machine gaat crashen.
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.
We weten nog niet echt hoe we moeten gaan rekenen met dit soort apparaten. Het enige ding dat daarmee overweg kan, zijn de hersenen.
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.
Een computer kiest een specifiek item van gegevens uit het geheugen, stuurt het door de processor of het ALU en zet dan de resultaten terug in het geheugen. Dat is het rode gemarkeerde pad. De hersenen doen het met al deze neuronen. Zij breken hun informatie op in kleine stukjes die worden vertegenwoordigd door pulsen en verschillende neuronen. Al die stukjes gegevens zitten verspreid over het hele netwerk. Het proces om van die gegevens naar een resultaat te gaan, komt erop neer dat je dit patroon van activiteit vertaalt naar een nieuw patroon van activiteit door het door het netwerk te laten stromen. Je stelt deze verbindingen zodanig in dat het inputpatroon vanzelf door het stromen het outputpatroon genereert.
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.
Je ziet hier deze redundante verbindingen. Als het een of andere stuk gegevens er de brui aan geeft en hier niet komt opdagen, kunnen deze twee stukken het ontbrekende deel activeren met deze redundante verbindingen. Dus zelfs wanneer je met gebrekkige apparaten zit waar je soms een één wil en een nul krijgt, kan redundantie in het netwerk de ontbrekende informatie herstellen. Het maakt de hersenen inherent robuust. De huidige computer is een systeem waarbij je gegevens lokaal opslaat. Het is broos want elk van deze stappen moet foutloos verlopen anders verlies je die gegevens. In de hersenen heb je een systeem waar gegevens gedistribueerd worden opgeslagen. Dat is robuust.
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.
Ik wil het nu hebben over mijn droom: een computer bouwen die werkt als de hersenen. Hier zijn we al paar jaar mee bezig. We hebben een systeem ontworpen dat het netvlies modelleert. Het netvlies is een stukje hersenen dat de binnenkant van je oogbol bedekt. We hebben dit niet gedaan door code te schrijven zoals in een computer. Wat in dat kleine stukje hersenen gebeurt, is zeer vergelijkbaar met de werking van computers als ze video streamen via het internet. Om de informatie te comprimeren, versturen ze alleen maar wat er nieuw is in het beeld. Dat is hoe je oogbal in staat is om al die informatie door je oogzenuw te persen en naar de rest van de hersenen te sturen.
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.
In plaats van dit te doen met software of met algoritmen, gingen we spreken met neurobiologen. die het netvlies 'reverse engineered' hebben. Ze hebben alle verschillende cellen en het netwerk geanalyseerd. Wij hebben dat netwerk gebruikt als blauwdruk voor het ontwerp van een siliciumchip. De neuronen worden vertegenwoordigd door kleine knooppunten of circuits op de chip en de verbindingen tussen de neuronen zijn eigenlijk gemodelleerd door transistors. Deze transistors gedragen zich net als de ionkanalen in de hersenen. Daardoor krijg je dezelfde soort van robuuste architectuur die ik heb beschreven.
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 is hoe ons kunstoog eruit ziet. De netvlies-chip die we hebben ontworpen, zit achter deze lens hier. Ik ga jullie een video laten zien van wat het siliciumnetvlies produceert als het kijkt naar Kareem Zaghloul. Dat is de student die deze chip ontwierp. Laat me even uitleggen wat je gaat zien. Dit produceert verschillende soorten informatie. Het is niet zo eenvoudig als een camera. De netvlies-chip haalt vier verschillende soorten informatie op. Hij haalt de gebieden met donkere contrasten eruit. Die verschijnen op de video als rood. Hij haalt ook de gebieden met wit of met licht contrast eruit. Dit wordt op de video als groen weergegeven.
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.
Dit zijn de donkere ogen van Kareem en dat is de witte achtergrond die je hier ziet. Ook beweging wordt eruit gehaald. Als Kareem zijn hoofd naar rechts beweegt, zien jullie die blauwe activiteit daar. Dat vertegenwoordigt de gebieden waar het contrast toeneemt, waar het van donker naar licht gaat. Deze gele activiteit geeft aan waar het contrast afneemt, waar het van licht naar donker gaat. Je oogzenuw bevat ongeveer een miljoen vezels en 900.000 van deze vezels sturen deze vier soorten informatie door. We dupliceren dus echt een soort signalen als die van de oogzenuw.
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.
Je merkt dat deze snapshots genomen van de output van de netvlies-chip zeer schaars zijn. Het licht niet overal groen op in de achtergrond, alleen aan de randen enzovoort. Dat zie je ook als mensen video comprimeren om te verzenden: ze willen het heel schaars maken want dan is dat bestand kleiner. Dat doet het netvlies ook. Alleen maar met de circuits. Dit netwerk van neuronen met dit soort interactie hebben we gemodelleerd op de chip.
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.
Maar het punt dat ik wil maken, zal ik je hier laten zien. Dit beeld hier lijkt op dit. Maar als we het beeld hier reconstrueren, kan je in dat bovenste gedeelte Kareem bijna herkennen. Ziezo. Dat is het idee. Als het stilstaat, zie je alleen de licht-en-donkercontrasten. Maar als het heen en weer beweegt, dan registreert het netvlies deze veranderingen. Als je hier zit en er gebeurt iets op de achtergrond, wend je alleen maar je ogen ernaartoe. Deze cellen detecteren verandering en dat trekt je aandacht. Dat is zeer belangrijk als iemand je probeert te besluipen.
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)
Laat me eindigen met te zeggen dat dit is wat je krijgt als je Afrika in een piano stopt. Dit is een gewijzigde steel drum of met andere woorden: Afrika in een piano. Ik wil Afrika in de computer krijgen om met een nieuw soort computer te komen. Een die zal denken, verbeelding genereren, creatief zijn en dat soort dingen. Dank je. (Applaus)
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: Een vraag voor jou, Kwabena. Heeft het werk dat je doet, de toekomst van Afrika, deze conferentie voor jou allemaal met elkaar te maken? Welke verbindingen kunnen we eventueel daartussen leggen?
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: Ja, zoals ik al in het begin zei. Ik kreeg mijn eerste computer toen ik een tiener was in Accra. Ik had een buikgevoel dat dit de verkeerde manier was om het te doen. Het was brute kracht, niet erg elegant. Ik denk niet dat ik die reactie zou hebben gehad als ik was opgegroeid met al die science fiction-literatuur, over RD2D2, of hoe hij ook mag heten, en mee te lopen in deze hype over computers. Ik kwam vanuit een ander perspectief, ik keek vanuit een ander perspectief naar het probleem. Ik denk dat veel mensen in Afrika het vanuit deze andere invalshoek bekijken en ik denk dat dat impact gaat hebben op de technologie. Het gaat de ontwikkeling ervan beïnvloeden. Die instroom gaat ervoor zorgen dat er nieuwe dingen zullen komen omdat je het benadert vanuit een ander perspectief. Ik denk dat we een bijdrage kunnen leveren, we kunnen dromen net als iedereen.
CA: Thanks Kwabena, that was really interesting. Thank you.
Chris Anderson: Bedankt Kwabena, dat was echt interessant. Dank je.
(Applause)
(Applaus)