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.
Eu tive meu primeiro computador quando eu era um adolescente crescendo em Accra, e era um dispositivo realmente legal. Você podia jogar, você podia programar em BASIC. E eu estava fascinado. Então eu fui a biblioteca para descobrir como aquela coisa funcionava. Eu li sobre como a CPU fica constantemente enviando dados para lá e para cá entre a memória, a RAM e a ALU, a unidade de lógica e aritmética. E eu pensei comigo, esta CPU realmente precisa trabalhar como louca só para manter todos estes dados se movimentando pelo sistema.
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?
Mas ninguém estava muito preocupado com isto. Quando os computadores surgiram, disseram que seriam milhões de vezes mais rápido que os neurônios. As pessoas estavam realmente eufóricas, pensavam que logo ultrapassariam a capacidade do cérebro. Esta é uma sentença, na verdade, de Alan Turing: "Em 30 anos, será mais fácil fazer uma pergunta a um computador, que perguntar a uma pessoa." Isto era 1946. E agora em 2007, ainda não é verdade. A pergunta é, porquê nós não estamos realmente vendo este tipo de poder nos computadores que nós vemos no cérebro?
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.
O que as pessoas não se dão conta, e eu estou começando apenas agora, é que nós pagamos um preço enorme pela velocidade, que nós entendemos ser esta a grande vantagem dos computadores. Vamos olhar alguns números. Este é o Blue Gene, o computador mais rápido do mundo. Ele tem 120 mil processadores; eles podem basicamente processar 10 quatrilhão de bits de informação por segundo. Isto é 10 elevado a 16a. E ele consome 1,5 megawatt de energia. Então, seria realmente legal, se você pudesse somar isto a capacidade produtiva na Tanzânia. Isto realmente alavancaria a economia. Apenas voltando aos Estados Unidos, se você traduzir a quantidade de energia ou eletricidade que este computador utiliza em quantidade de casas na América, você chega a 1.200 casas nos EUA, e isto é o quanto de energia este computador utiliza.
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.
Agora, vamos comparar isto com o cérebro. Esta é a imagem do cérebro da namorada do Rory Sayres. Rory é um estudante de graduação de Stanford. Ele estuda o cérebro utilizando o MRI, e afirma que este é o cérebro mais lindo que já foi escaneado. (Risadas) Então isto é o verdadeiro amor, aqui mesmo. Agora, qual o poder de computação do cérebro? Eu estimo que de 10 a 16 bits por segundo que é muito similar ao que faz o Blue Gene. Então esta é a questão. A questão é - quanto -- ambos processando quantidades similares, quantidade similar de dados -- a questão é quanta energia ou eletricidade o cérebro utiliza? E isto é o mesmo que o seu computador laptop: apenas 10 watts. Então o que nós estamos fazendo agora com os computadores, com a energia consumida por 1.200 casas, o cérebro está fazendo com a energia consumida pelo seu 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.
Então a questão é, como o cérebro consegue atingir este nível de eficiência? Deixe-me resumir. A questão básica é a seguinte: o cérebro processa informação utilizando 100 mil vezes menos energia que nós consumimos agora com esta tecnologia de computação que temos. Como o cérebro consegue fazer isto? Vamos dar uma olhada em como o cérebro funciona, e então eu vou comparar isto com o funcionamento dos computadores. Este clipe é da séria PBS, "A Vida Secreta do Cérebro." Ela mostra estas células que processam informações. Elas são chamadas de neurônios. Eles enviam pequenos pulsos elétricos processados para os outros, e onde eles contatam os outros, estes pequenos pulsos de eletricidade podem pular de um neurônio para o outro. Este processo é chamado de sinapse. Você obtêm esta enorme rede de células interagindo com as outras, cerca de 100 milhões delas, enviando cerca de 10 quatrilhões destes pulsos por segundo. E isto é basicamente o que ocorre no seu cérebro neste momento.
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.
Como comparar isto com o modo que o computador funciona? No computador você tem todos os dados passando por uma unidade central de processamento, e qualquer porção de dado deve necessariamente passar pelo gargalo. Enquanto no cérebro, o que existe são estes neurônios e o dado apenas flui através da rede de conexões entre os neurônios, não existe um gargalo. É realmente a rede no sentido literal da palavra. A rede esta fazendo o trabalho no cérebro. Se você observar estas duas imagens, estes tipos de palavras pipocam na sua cabeça. Isto é serial e é rígido: como carros na autoestrada -- tudo precisa acontecer em sincronia. Enquanto esta é paralela e é fluída. Processamento de informações é muito dinâmico e adaptativo.
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.
Eu não sou o primeiro a me dar conta disto. Esta é uma frase de Brian Eno: "O problema com os computadores é que não tem tanta Africa neles." (Risadas) Brian disse isto em 1995. E ninguém esta prestando atenção, mas agora as pessoas estão começando a escutar porque estão pressionadas, existem problemas tecnológicos que precisamos resolver. Eu vou guiá-los um pouco por isto nos próximos slides.
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.
Existe - na verdade esta notável convergência entre os dispositivos que nós utilizamos para computar em computadores, e os dispositivos que nossos cérebros utilizam para computar. Os dispositivos que os computadores usam são chamados de transistor. Este eletrodo aqui, chamado de portão, controla o fluxo da corrente da origem até o dreno, estes dois eletrodos. E esta corrente, corrente elétrica, é transportada por elétrons, assim como na sua casa e assim por diante. E o que temos aqui, quando você liga o portão, você aumenta o volume da corrente, e obtêm um fluxo constante de corrente. E quando você desliga o portão, não existe mais corrente fluindo pelo dispositivo. Seu computador usa esta presença de corrente para representar um UM (1), e a ausência de corrente para representar um ZERO (0).
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.
Agora, o que acontece é que como os transistores estão ficando menores, e menores, e menores, eles não se comportam mais assim. De fato, eles estão começando a se comportar como o dispositivo que os neurônios utilizam para computar, que é chamado de um canal iônico. E isto é uma pequena molécula de proteína. Eu quero dizer, neurônios possuem milhares destas. E isto reside na membrana da célula e possui um poro na mesma. E estas são íons de potássio individuais, que estão fluindo através do poro. Agora, este poro pode abrir e fechar. Mas, quando está aberto, porque estes íons precisam se alinhar e passar um por vez, você obtêm um tipo esporádico, não constante -- é um fluxo esporádico de corrente. E mesmo quando você fecha o poro -- o que os neurônios podem fazer, eles podem abrir e fechar estes poros para gerar atividade elétrica -- mesmo quando fechado, porque estes íons são tão pequenos, eles podem esgueirar-se, alguns poucos podem passar de uma vez. Então o que você obtêm quando o poro está aberto, é que você tem algum tipo de corrente algumas vezes. Estes são os seus UNS (1), mas você tem alguns ZEROS (0) passando. E quando está fechado, você tem um ZERO (0), mas você tem alguns UNS passando, 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.
Agora, isto está começando acontecer nos transistores. E a razão porque isto esta acontecendo é que, agora em 2007, a tecnologia que estamos utilizando, um transistor é tão grande que muitos elétrons podem passar pelo canal simultaneamente, lado a lado. De fato, cerca de 12 elétrons podem passar desta maneira. E isto significa que um transistor corresponde a cerca de 12 canais de íons em paralelo. Agora, em poucos anos, em 2015, nós iremos encolher muito os transistores. Isto é o que a Intel faz para manter adicionando mais núcleos no chip. ou no seu pente de memória para que você consiga colocar um gigabyte de coisas nele -- antes era apenas 256Kb. Os transistores estão ficando menores para permitir que isto aconteça, e a tecnologia tem realmente se beneficiado disto.
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.
Mas o que está acontecendo agora é que em 2015, o transistor ficará tão pequeno, que significa que apenas um elétron por vez poderá passar pelo canal, e isto corresponde a apenas um único canal de íon. E você começa a ter o mesmo tipo de engarrafamento que você tem no canal de íon, a corrente vai ligar e desligar aleatoriamente, mesmo quando deveria estar ligada. E isto significa que seu computador vai obter seus UNs e ZEROs embaralhados, e isto não vai deixar sua máquina funcionar.
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.
Então, estamos no estágio onde nós não sabemos realmente como computar com estes tipos de dispositivos. E o único tipo de coisa, a única coisa que sabemos neste momento, que pode computar com estes tipos de dispositivos, são os cérebros.
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, então o computador pega um item específico de dado da memória, e envia para o processador ou a ALU, e então coloca o resultado de volta na memória. Isto é o caminho vermelho que está destacado. A maneira como os cérebros funcionam, você necessita todos estes neurônios. E a maneira como eles representam informação é que eles quebram os dados em pequenos pedaços que são representados por pulsos e diferentes neurônios. Então você tem todos estes pedaços de dados distribuídos através da rede. E então a maneira que você processa os dados para obter o resultado é que você traduz este padrão de atividade e um novo padrão de atividade, apenas navegando através da rede. Então você define estas conexões, de tal maneira que o padrão de entrada apenas flui e gera o padrão de saída.
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.
O que você vê aqui é que existem estas conexões redundantes. Então se o pedaço de dado ou este pedado de dado é substituído, não aparece aqui, estes dois pedaços podem ativar a parte perdida com estas conexões redundantes. Então mesmo quando você vai até estes dispositivos assustadores onde algumas vezes você deseja um UM e você recebe um ZERO, existe redundância na rede que pode recuperar a informação perdida. Isto torna o cérebro inerentemente robusto. O que você tem aqui é um sistema onde você armazena dados localmente. E é frágil, porque cada um destes passos precisa ser perfeito, senão você perde seu dado. Enquanto no cérebro, você tem um sistema que armazena dados de maneira distribuída, e robusta.
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.
O que eu basicamente quero contar é sobre meu sonho, que é construir um computador que funciona como o cérebro. Isto é algo que temos trabalhado nos últimos dois anos. E eu vou mostrar a vocês um sistema que nós desenhamos para modelar a retina, que é um pedaço do cérebro que vai dentro do seu globo ocular. Nós não fizemos isto escrevendo código, como você faz em um computador. De fato, o processamento que acontece neste pequeno pedaço de cérebro é muito similar ao tipo de processamento que os computadores fazem quando enviam video pela Internet. Eles querem comprimir a informação -- eles apenas querem enviar as mudanças do que é novo na imagem e assim por diante -- e isto é como o seu globo ocular consegue comprimir toda a informação e enviar pelo seu nervo ótico, para enviar para o resto do seu cérebro.
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.
Ao invés de fazer isto em software, ou com estes tipos de algoritmos, nós fomos conversar com neurobiologistas que fizeram engenharia reversa neste pedaço de cérebro chamado retina. E eles descobriram todas diferentes células, e descobriram a rede, e nós apenas pegamos esta rede e utilizamos ela como um modelo para desenhar um chip de silício. Agora os neurônios estão representados por pequenos nodos ou circuitos no chip, e as conexões entre os neurônios estão modeladas por transistores e estes transistores estão se comportando essencialmente como os canais de íons se comportam no cérebro. Isto provê o mesmo tipo de arquitetura robusta que eu descrevi.
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.
Aqui esta o que nosso olho artificial se parece. O chip retina que desenhamos fica aqui atrás das lentes. E o chip -- eu vou mostrar a vocês um vídeo que a retina de silício gera como saída quando esta olhando para Kareem Zaghloul, que é o estudante quem desenhou o chip. Deixe-me explicar o que você irá ver, OK. Como ele está gerando diferentes tipos de informação, não é simples como uma câmera. O chip retina extrai quatro tipos diferentes de informação. Ele extrai regiões com contrastes escuros, que será apresentado no vídeo como vermelho. E extrai regiões com branco e contraste claro, que será apresentado no vídeo como verde.
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.
Estes são os olhos escuros do Kareem e este é o fundo branco que você vê aqui. E isto também extrai os movimentos. Quando Kareem movimenta sua cabeça para a direita, você verá esta atividade azul aqui, isto representa regiões onde o contraste esta aumentando na imagem, é onde vamos do escuro para o claro. E você também vê esta atividade amarela, que representa regiões onde o contraste esta diminuindo, indo do claro para o escuro. E estes quatro tipos de informação -- seu nervo ótico possui um milhão de fibras, e 900.000 destas fibras envia estes quatro tipos de informação. Então nós estamos duplicando os tipos de sinais que você tem no seu nervo ótico.
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.
O que você nota aqui é que estas imagens instantâneas obtidas na saída do chip retina são muito esparsas. Isto não fica verde a toda hora no fundo, somente nas bordas, e assim por diante. E esta é a mesma coisa que você vê quando as pessoas comprimem video para enviar: querem torná-la esparsa, porque o arquivo é menor. E isto é o que a retina esta fazendo, e esta fazendo apenas com o circuito, e como esta rede de neurônios que esta interagindo, a qual nós capturamos no 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.
Mas o ponto que eu quero destacar, eu vou mostrar aqui. Esta imagem aqui vai parecer como estas, mas aqui vou mostrar que podemos reconstruir a imagem, então, você sabe, você pode quase reconhecer o Kareem nesta parte de cima. Aqui está. Sim, esta é a ideia. Se você ficar parado, você apenas vê os contrastes claros e escuros. Mas quando esta se movendo para frente e para trás, a retina detecta estas mudanças. E isto é porque, você sabe, quando você esta sentado e alguma coisa acontece atrás você simplesmente move seus olhos para lá. Existem estas células que detectam a mudança e você direciona sua atenção para lá. Estas são coisas importantes para pegar alguém que está tentando se aproximar de você.
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)
Deixe-me terminar dizendo que isto é o que acontece quando você coloca a Africa em um piano, OK. Isto aqui é um tambor de metal que foi modificado, e isto é o que acontece quando você coloca a Africa em um piano. E o que eu gostaria que fizéssemos, é colocar a Africa no computador, e criar um novo tipo de computador que irá gerar pensamento, imaginação, ser criativo e coisas assim. Obrigado. (Aplausos)
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: Uma pergunta para você, Kwabena. Você consegue se dar conta do trabalho que esta fazendo, o futuro da Africa, esta conferência -- que conexões podemos fazer, se alguma, entre tudo isto?
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: Sim, como eu disse no início. Eu tive meu primeiro computador ainda adolescente em Accra. E eu tive esta reação instintiva que era a maneira errada de fazer. Era força bruta, nada elegante. Eu não acredito que teria tido aquela reação, se tivesse crescido lendo ficção científica, ouvindo sobre RD2D2, ou sei lá como é chamado, e apenas -- você sabe, comprando esta moda sobre computadores. Eu estava entrando nisto vindo de uma perspectiva diferente, onde eu estava trazendo uma diferente perspectiva para pressionar o problema. E eu acho que muitas pessoas na Africa tem esta perspectiva diferente, e eu acho que isto irá impactar a tecnologia. E isto irá impactar como isto irá evoluir. E eu penso que você poderá ver, usar esta infusão, para criar coisas novas, porque você está vindo de uma perspectiva diferente. Eu penso que nós podemos contribuir, nós podemos sonhar como qualquer um.
CA: Thanks Kwabena, that was really interesting. Thank you.
Chris Anderson: Obrigado Kwabena, isto foi realmente interessante Obrigado.
(Applause)
(Aplausos)