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.
Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze i było to naprawdę fajne urządzenie. Można było na nim grać w gry, można było programować w BASIC-u. Byłem zafascynowany. Poszedłem więc do biblioteki, żeby dowiedzieć się jak to działa. Czytałem o tym, jak procesor nieustannie przerzuca dane w tę i z powrotem między pamięcią -- RAM-em a ALU, jednostką arytmetyczno-logiczną. I pomyślałem sobie -- ten procesor musi naprawdę pracować jak szalony tylko po to, żeby te wszystkie dane przemieszczać w komputerze.
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?
Ale nikt się tym faktycznie nie przejmował. Gdy pojawiły się pierwsze komputery mówiono, że są milion razy szybsze niż neurony. Ludzie byli naprawdę zachwyceni, sądzili że wkrótce prześcigną możliwości mózgu. To cytat z wypowiedzi Alana Turinga: „Za 30 lat będzie tak samo łatwo zadać pytanie komputerowi, jak zapytać o coś człowieka.” Powiedział to w 1946 r. Teraz mamy rok 2007 i wciąż tak nie jest. Pytanie brzmi: dlaczego naprawdę nie pojawiła się w komputerach taka moc, jaka istnieje w mózgu?
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.
Ludzie nie zdawali sobie sprawy, a ja dopiero teraz zaczynam to dostrzegać, że płacimy ogromną cenę za szybkość, która ma być wielką zaletą tych komputerów. Przyjrzyjmy się pewnym liczbom. To jest Blue Gene – najszybszy komputer na świecie. Ma 120 000 procesorów -- mogą one przetwarzać 10 biliardów bitów informacji na sekundę. To jest 10 do potęgi 16. I zużywają półtora megawata energii. Byłoby wspaniale, gdyby można o tyle zwiększyć moce produkcyjne w Tanzanii. To by naprawdę rozpędziło gospodarkę. Ale wróćmy do Stanów Zjednoczonych. Jeśli przełożyć ilość prądu, jaką zużywa ten komputer, na liczbę gospodarstw domowych w USA, otrzymamy 1 200 takich gospodarstw. Tyle energii zużywa ten komputer.
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.
Teraz porównajmy to z mózgiem. To jest obraz mózgu -- tak dokładnie to należącego do dziewczyny Rory'ego Sayresa. Rory jest doktorantem w Stanford. Bada mózg przy użyciu MRI i twierdzi, że to najpiękniejszy mózg, jaki kiedykolwiek skanował. (Śmiech) I to właśnie jest prawdziwa miłość. A więc -- ile obliczeń wykonuje mózg? Oszacowałem, że jakieś 10 do potęgi 16 na sekundę, czyli dość podobną liczbę do Blue Gene. Pojawia się więc pytanie. Oto pytanie, ile -- a wykonują podobną ilość obliczeń, przetwarzają podobną ilość danych -- pytanie brzmi: ile energii czy prądu zużywa mózg? Zużywa jej w rzeczywistości tyle, ile laptop: tylko 10 watów. Tak więc to, co robimy obecnie na komputerach, wykorzystując energię w ilości zużywanej przez 1 200 domów, mózg wykonuje, wykorzystując ilość energii używaną przez laptopa.
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.
Tak więc mamy pytanie -- jak mózg osiąga taką wydajność? Krótkie podsumowanie. Najważniejsza informacja: mózg przetwarza informacje zużywając 100 tysięcy razy mniej energii niż komputery, jakie obecnie mamy. Jak mózg jest w stanie tego dokonać? Przyjrzyjmy się temu, jak działa mózg, a następnie porównam to ze sposobem działania komputerów. To jest fragment z serialu telewizji PBS „Sekretne życie mózgu”. Widać tu komórki przetwarzające informacje. To neurony. Przesyłają przez swoje wypustki małe impulsy elektryczne do siebie nawzajem, a gdy się ze sobą kontaktują, te małe impulsy elektryczne przeskakują z jednego neuronu do drugiego. Ta wypustka to synapsa. Mamy wielką sieć komórek kontaktujących się ze sobą. Jest ich około 100 milionów. Wysyłają około 10 biliardów takich impulsów w każdej sekundzie. I właśnie teraz, gdy mnie oglądacie, to dzieje się w waszych mózgach.
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.
Jak to się ma do sposobu działania komputerów? W komputerze wszystkie dane przechodzą przez procesor i każda informacja musi przejść przez to wąskie gardło. Podczas gdy w mózgu mamy neurony, a dane po prostu płyną przez sieć połączeń między neuronami -- nie ma tu żadnego wąskiego gardła. To naprawdę sieć w dosłownym znaczeniu. W mózgu sieć wykonuje pracę. Jeśli tylko spojrzycie na te dwa obrazki, pomyślicie sobie: To jest szeregowe i nieelastyczne: jak samochody na autostradzie -- wszystko musi przebiegać krok po kroku. Natomiast to jest równoległe i płynne. Przetwarzanie informacji jest bardzo dynamiczne i zdolne do adaptacji.
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.
Nie ja pierwszy to zauważyłem. Zacytuję Briana Eno: „Problem z komputerami polega na tym, że za mało w nich Afryki.” (Śmiech) Brian naprawdę powiedział to w 1995 r. I nikt tego wtedy nie słuchał, ale teraz ludzie zaczęli słuchać, ponieważ mamy palący problem techniczny. Przedstawię to wam krótko na kilku następnych slajdach.
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.
To jest -- naprawdę istnieje znacząca zbieżność pomiędzy urządzeniami wykonującymi obliczenia w komputerach i urządzeniami wykonującymi obliczenia w naszych mózgach. Urządzenia wykorzystywane w komputerach to tranzystory. Ta elektroda -- nazywana bramką -- steruje przepływem prądu ze źródła do drenu -- to te dwie elektrody. A ten prąd, prąd elektryczny, jest przenoszony przez elektrony, tak jak [w instalacjach] w waszych domach, itp. I działa to tak: gdy włączymy bramkę, prąd wzrasta i mamy stały jego przepływ. A gdy wyłączymy bramkę, przez urządzenie nie płynie prąd. Komputery używają obecności prądu jako reprezentacji jedynki a braku prądu jako reprezentacji zera.
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.
Teraz, gdy tranzystory stają się coraz mniejsze i mniejsze, przestają się tak zachowywać. Zaczynają zachowywać się jak mechanizm wykorzystywany do obliczeń w neuronach, nazywany kanałem jonowym. Jest to mała cząsteczka białka. To znaczy -- neurony zawierają ich tysiące. Znajduje się on w błonie komórkowej i ma w sobie otwór. A to są pojedyncze jony potasowe przepływające przez ten otwór. Ten otwór może zamykać się i otwierać. Ale gdy jest otwarty -- dlatego że te jony muszą być ustawione w szeregu i przepływać pojedynczo -- mamy przerywany, a nie stały -- nieregularny przepływ prądu. A gdy otwór zostanie zamknięty -- co neurony mogą robić, mogą otwierać i zamykać te otwory, by powodować aktywność elektryczną – nawet gdy jest zamknięty, ponieważ te jony są tak małe, mogą się przecisnąć; kilka może się przedostać co jakiś czas. Tak więc gdy otwór jest otwarty, czasem płynie jakiś prąd. To są nasze jedynki, ale pojawia się tam też trochę zer. A gdy jest zamknięty, mamy zero, ale pojawia się też trochę jedynek.
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.
Tak zaczyna się dziać również w przypadku tranzystorów. A powodem tego jest to, że teraz, w roku 2007 używana przez nas technologia czyni tranzystor dostatecznie dużym, żeby kilka elektronów mogło płynąć przez kanał jednocześnie, obok siebie. W rzeczywistości około 12 elektronów może płynąć w taki sposób. Znaczy to, że tranzystor jest odpowiednikiem około 12 równoległych kanałów jonowych. Za kilka lat, do roku 2015 tranzystory będą znacznie mniejsze. Nad tym pracuje Intel, żeby móc dodawać coraz więcej rdzeni do procesorów; również popularne pendrive'y mieszczą dziś jeden gigabajt zawartości -- wcześniej było to 256 MB. Aby to umożliwić tranzystory stają się coraz mniejsze, a technika na tym naprawdę korzysta.
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.
Ale doprowadzi to do tego, że w 2015. tranzystory będą tak małe, że tylko jeden elektron na raz będzie mógł przepłynąć przez kanał, a to odpowiada pojedynczemu kanałowi jonowemu. I będziemy mieli takie same zatory, jakie występują w kanale jonowym, prąd będzie się włączać i wyłączać losowo, nawet gdy ma być włączony. A to znaczy, że w komputerze jedynki i zera będą się mieszać -- no i komputer się zawiesi.
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.
Tak więc, jesteśmy na etapie, gdy naprawdę nie wiemy jak prowadzić obliczenia przy użyciu takich urządzeń. I jedyny dziś znany nam mechanizm, który potrafi prowadzić obliczenia przy użyciu takich urządzeń to mózg.
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. Więc komputer bierze określoną daną z pamięci, wysyła ją do procesora, czyli jednostki arytmetyczno-logicznej, a potem wstawia ją z powrotem do pamięci. To ta ścieżka wyróżniona na czerwono. Mózg działa w taki sposób, że mamy te wszystkie neurony, a one przekazują informacje przez podzielenie danych na małe kawałeczki, których reprezentacją są impulsy i różne neurony. Mamy więc te wszystkie kawałeczki danych rozsyłane przez sieć. A przetwarzanie tych danych w celu otrzymania wyników polega na przetłumaczeniu tego wzorca aktywności na nowy wzorzec aktywności, po prostu przepuszczając dane przez sieć. Mamy więc takie połączenia, dzięki którym wzorzec wejściowy po prostu przepływa i generuje wzorzec wyjściowy.
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.
Widzimy tu, że mamy nadmiarowe połączenia. Więc jeśli ten lub tamten fragment danych gdzieś utknie i nie dotrze do celu, te dwa fragmenty mogą aktywować brakującą część dzięki połączeniom nadmiarowym. Więc nawet gdy korzystamy z takich kiepskich urządzeń, w których czasem chcemy jedynkę, a dostajemy zero, mamy nadmiarowość sieci, która pozwala odzyskać brakujące informacje. Wbudowuje to w mózg niezawodność. Tu mamy system, w którym dane są przechowywane lokalnie. Jest on delikatny, ponieważ każdy z kroków musi być bezbłędny -- inaczej stracimy dane. Natomiast w mózgu mamy system rozproszonego przechowywania danych -- i jest on niezawodny.
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.
Chcę opowiedzieć, najprościej mówiąc, o moim marzeniu, którym jest zbudowanie komputera pracującego jak mózg. Pracujemy nad tym od kilku lat. Pokażę wam system, który zaprojektowaliśmy jako model siatkówki, która jest częścią mózgu znajdującą się wewnątrz gałki ocznej. Nie stworzyliśmy tego pisząc kod -- jak to się robi na komputerze. W rzeczywistości przetwarzanie, które odbywa się w tym małym kawałku mózgu bardzo przypomina przetwarzanie, które komputery wykonują na potrzeby przesyłania strumieniowego wideo przez internet. Muszą skompresować informacje -- chcą przesyłać tylko zmiany, nowe elementy obrazu i tak dalej -- i w taki sposób twoje oko może upchnąć wszystkie te informacje do nerwu wzrokowego, aby wysłać je dalej do mózgu.
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.
Zamiast użyć do tego oprogramowania i stosować odpowiednie algorytmy, przedyskutowaliśmy to z neurobiologami, którzy technicznie rozpracowali dla nas ten fragment mózgu -- siatkówki. Rozpisali wszystkie rodzaje komórek, rozpracowali budowę sieci, a my zwyczajnie wzięliśmy tę sieć i użyliśmy jej jako schematu konstrukcji układu krzemowego. Teraz więc odpowiednikiem neuronów są małe węzły lub obwody w tym czipie, a połączenia między neuronami są odwzorowane przez tranzystory. I te tranzystory zachowują się w istocie tak, jak kanały jonowe w mózgu. Daje to taką samą niezawodną architekturę, jaką opisałem wcześniej.
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.
Oto jak wygląda nasze sztuczne oko. Zaprojektowany przez nas czip siatkówki znajduje się za tym obiektywem. I ten czip... Pokażę wam nagranie wideo z wyjścia wygenerowanego przez krzemową siatkówkę, patrzącej na Kareema Zaghloula, studenta, który zaprojektował ten układ. Wyjaśnię co tu zobaczycie, OK? Ponieważ generowane są tu różne rodzaje informacji, nie jest to tak czytelne i oczywiste jak w przypadku kamery. Czip siatkówki wydobywa cztery różne rodzaje informacji. Wydobywa obszary ciemne, widoczne na wideo jako czerwone. Wydobywa obszary białe lub jasne, widoczne na wideo jako zielone.
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.
To są ciemne oczy Kareema, a to jest białe tło, które widać też tutaj. Ponadto wydobywa ruch. Gdy Kareem przesuwa głowę w prawo, widać tam niebieską aktywność, reprezentuje to obszary, gdzie kontrast obrazu wzrasta, czyli zmieniające się z ciemnych w jasne. Widzimy też tutaj żółtą aktywność, reprezentującą obszary zmniejszającego się kontrastu, zmieniające się z jasnych w ciemne. To właśnie te cztery rodzaje informacji -- nerw wzrokowy jest złożony z około miliona włókien, a 900 000 z tych włókien przesyła te cztery rodzaje informacji. Powielamy więc rodzaje sygnałów, które mamy w nerwie wzrokowym.
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.
Widzicie tu, że te ujęcia migawkowe z wyjścia czipu siatkówki są bardzo słabo wypełnione. Zielony nie pojawia się na całym tle, a jedynie na brzegach i tak dalej. To samo zauważycie w przypadku kompresji wideo: musi być bardzo słabo wypełnione, żeby plik był mniejszy. I tak działa siatkówka, i robi to jedynie przy użyciu obwodów i tej sieci neuronów kontaktujących się ze sobą, którą odwzorowaliśmy w czipie.
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.
Ale co chcę podkreślić... pokażę tutaj. Ten obraz będzie wyglądać jak tamte, ale pokaże wam, że możemy zrekonstruować obraz, dzięki czemu można niemalże rozpoznać Kareema tam na górze. Popatrzmy. Taka właśnie jest ogólna idea. Gdy nie ma ruchu, widzimy tylko jasne i ciemne obszary. Ale gdy się coś porusza, siatkówka wyłapuje te zmiany. I dlatego, gdy tu siedzicie i coś dzieje się w tle, jedynie zwracacie oczy w tym kierunku. Mamy komórki wykrywające zmianę i kierujemy na nią uwagę. To bardzo ważne, żeby zareagować, gdy ktoś się do nas skrada.
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)
Zakończę stwierdzeniem, że takie rzeczy dzieją się, gdy włożymy Afrykę do fortepianu, OK? To jest bęben stalowy, steel pan, po przeróbce. Takie rzeczy się dzieją, gdy włożycie Afrykę do fortepianu. A ja chciałbym, abyśmy włożyli Afrykę do komputera i stworzyli nowy rodzaj komputera, który będzie generować myśli, wyobraźnię, kreatywność itp. Dziękuję. (Oklaski)
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: Kwabena, mam do ciebie pytanie. Czy widzisz związki między twoją pracą, przyszłością Afryki, tą konferencją -- jak, i czy, moglibyśmy to ze sobą połączyć?
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: Tak. Jak powiedziałem na początku. Dostałem mój pierwszy komputer, gdy byłem nastolatkiem dorastającym w Akrze. I miałem to wewnętrzne poczucie, że to nie tak trzeba robić. To była zdecydowanie metoda siłowa, bardzo nieelegancki sposób. Nie sądzę, że tak bym czuł, gdybym dorastał czytając science fiction, słysząc o RD2D2, czy jak się nazywa, i po prostu -- wiecie -- kupując cały ten zachwyt komputerami. Patrzyłem na to z innej perspektywy, podszedłem z tą inną perspektywą do rozwiązywania tego problemu. Myślę, że dużo ludzi w Afryce ma tę inną perspektywę i sądzę, że to wpłynie na technikę. I wpłynie na drogę jej rozwoju. I myślę, że zobaczycie, użyjecie tego zastrzyku, aby stworzyć nowe rzeczy, ponieważ przychodzicie z innej perspektywy. Myślę, że możemy coś dodać, możemy marzyć jak wszyscy.
CA: Thanks Kwabena, that was really interesting. Thank you.
Chris Anderson: Dziękuję, Kwabena, to bardzo interesujące. Dziękuję.
(Applause)
(Oklaski)