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.
İlk bilgisayarımı gençliğimde, Accra'da büyürken aldım. ve gerçekten çok hoş bir cihazdı. Onunla oyun oynayabilir, onu BASIC dilinde programlayabilirdiniz. Ve gerçekten etkilenmiştim. Bu yüzden bu şeyin nasıl çalıştığını öğrenmek için kütüphaneye gittim. İşlemcinin (CPU) verileri bellek (RAM) ve aritmetik mantık birimi (ALU) arasında nasıl sürekli ileri geri aktardığını okudum. Ve kendi kendime düşündüm ki, bu CPU, tüm bu veriyi sistemin orasından orasına taşımak için gerçekten deli gibi çalışıyor olmalı
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?
Ancak bunun hakkında pek endişe eden de yoktu. Bilgisayarlar ilk çıktığında, sinirlerden milyon kat hızlı oldukları söylenmişti. İnsanlar etkilenmişti, yakında beynin kapasitesini geçeceklerini düşündüler. Alan Turing'den bir söz: "30 yıl içerisinde, bilgisayara bir soru sormak, insana soru sormak kadar kolay olacak." Bu 1946 yılındaydı. Şimdi 2007 yılındayız, söz hala doğru değil. Soru şu, beyinde gördüğümüz ölçekteki güçleri neden bilgisayarda göremiyoruz?
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.
İnsanların fark edemediği, benim ise şimdilerde fark etmeye başladığım şey, bu bilgisayarların büyük avatajı olan hız için büyük bir bedel ödüyor olmamız. Haydi biraz da bazı verilere bakalım. Bu, Blue Gene, dünyadaki en hızlı bilgisayar. 120,000 işlemciye sahip. Saniyede 10 katrilyon bit bilgi işleyebilmekte. Bu 10 üzeri 16 demek. Ve bir buçuk megawatt güç harcıyor. Eğer bu miktarı Tanzanya'nın üretim kapasitesine ekleyebilseydiniz harika olurdu. Ekonomiyi cidden canlandırırdı. Amerika'ya dönelim, Eğer bu bilgisayarın kullandığı elektrik enerjisi miktarını ABD'deki evlerin güç tüketimine oranlayacak olursanız, 1200 ev gibi bir rakam elde edersiniz. İşte bu bilgisayarın tükettiği güç miktarı.
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.
Şimdi, bunu beyinle karşılaştıralım. Bu, Rory Sayres'in kız arkadaşının beyninin fotoğrafı. Rory, Stanford'da bir yüksek lisans öğrencisi. Beyin üzerinde MRI kullanarak çalışmalar yapıyor ve iddia ediyor ki bu şimdiye kadar tarattığı en güzel beyin. (Gülüşmeler) İşte bu gerçek aşk, tam burada. Şimdi, beyin ne kadar hesaplama yapıyor? Yaklaşık olarak saniyede 10 üzeri 16 bit, aslında Blue Gene'in yaptığına çok yakın. İşte soru bu. Soru: ne kadar -- benzer miktarda işlem yapıyorlar, benzer miktarda veri var -- soru: "beyin ne kadar enerji veya elektrik tüketiyor?". Ve aslında sadece dizüstü bilgisayarınız kadar: Sadece 10 watt. O zaman bizim şu anda bilgisayarlarla 1200 evin tükettiği enerjiyi tüketerek yaptığımız işi beyin, dizüstü bilgisayarınız kadar enerji tüketerek yapıyor.
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.
Şu halde soru şu, beyin, bu denli verimliliği nasıl elde ediyor? Ve özetlememe izin verin. Beyin bilgiyi, halihazırdaki bilgisayar teknolojisine gore 100,000 kat daha az enerji harcayarak işliyor. Peki beyin bunu nasıl başarıyor? Haydi beynin nasıl çalıştığına bir bakalım, ve bilgisayarların nasıl çalıştığıyla karşılaştıralım. Bu kısa film "Beynin Gizli Hayatı" isimli PBS belgeselinden. Bilgi işleyen hücreleri gösteriyor. Bunlara "nöron" denir. İşlem sırasında birbirlerine küçük elektrik atımları gönderirler, ve birbirlerine dokundukları yerlerde bu küçük elektrik atımları, bir nörondan diğerine atlar. Bu işleme "sinaps" denir. Yani elimizde birbirleriyle saniyede yaklaşık 10 katrilyon atım göndererek haberleşen 100 milyon kadar hücreden oluşan devasa bir ağ var. Ve siz bu konuşmayı izlerken beyninizde olup biten de bu.
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.
Şimdi bunu bilgisayarların nasıl çalıştığıyla karşılaştıralım. Bilgisayardda bütün bilgi işlemciden (CPU) geçer, ve her veri parçası bu darboğazdan geçmek zorundadır. Beyinde ise nöronlar var ve veriler bu nöronlar arasındaki bağlantı ağı içinde akar, burada bir darboğaz yok. Bu kelimenin tam anlamıyla bir "ağ"dır Beyinde işleri bu ağ halleder. Bu iki resme bakarsanız, aklınıza iki kelime gelir. Bu "seri ve katı": otoyoldaki arabalar gibi -- herşey sırayla olmalı. Bu ise paralel ve akıcı. Bilgi işleme oldukça dinamik ve adaptif.
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.
Tabi ki bunu tek farkeden ben değilim: Brian Eno'dan bir alıntı: "Bilgisayarların sorunu, içlerinde yeterince Afrika olmaması." (Gülüşmeler) Brian bunu 1995'te söyledi. O zamanlarda dinleyen yoktu, ama şimdi dinlemeye başlıyorlar, çünkü karşımızda acil, teknolojik bir problem var Sıradaki bir kaç slaytta size biraz bundan bahsedeceğim.
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.
Bu -- bilgisayarlarda hesap yapmak için kullandığımız araçlarla, beynimizin hesap yapmak için kullandığı araçların önemli bir yakınsaması. Bilgisayarların kullandığı araçlara "transistör" deniyor. Buradaki, "kapı" adı verilen elektrot, "kaynak"tan "toplayıcı"ya giden akımı kontrol eder. Ve bu akım, elektrik akımı, evinizin içinde olduğu gibi, elektronlar tarafından taşınır. Burada gördüğümüz ise, "kapı"yı açtığınızda, akım miktarında bir artış görürsünüz, sabit bir akım vardır. "Kapı"yı kapattığınızda ise cihazdan geçen bir akım yoktur. Bilgisayar, akımın olduğu durumu bir "1", olmadığı durumu ise bir 0 (sıfır) göstermek için kullanır.
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.
Bugünlerde olan şu: transistörler gittikçe küçülüyor, küçülüyor, küçülüyorlar. Ve artık bu şekilde davranmıyorlar. Aslında, yavaş yavaş nöronların hesap yapmak için kullandıkları cihaza benziyorlar, buna "iyon kanalı" deniyor. Ve bu, küçük bir protein molekülü. Nöronlarda bundan binlerce var. Hücre zarında duruyor ve ortasında bir gözeneği var. Bunlar da o gözenekten geçen potasyum iyonları. Şimdi, bu gözenek açılıp kapanabiliyor. Ama, açık olduğu zaman, bu iyonlar sıraya dizilip, her seferinde bir tanesi geçebileceği için, dağınık düzensiz bir akış var. Gözeneği kapatsanız bile -- ki nöronlar bunu yapıyorlar, elektrik aktivitesi yaratmak için bu gözenekler açılıp kapatılır. kapalı olsa bile, bu iyonlar çok küçük oldukları için, bir seferde bir kaç tanesi aradan geçebilir. Yani elimizde şu var: Gözenek açık olduğu zaman, düzensiz de olsa bir akım var. Bu sizin "1"iniz, ama aralara serpiştirilmiş "0"lar da var. Kapalı olduğu zaman da "0" demek, ama aralarda "1"ler de var, tamam.
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.
Şimdi, aynı şey transistörlerde de olmaya başlıyor. Bunun olmasının sebebi de, şu an, 2007'de, elemizdeki teknolojiyle ürettiğimiz transistörler, içinden çok sayıda elektronun yan yana geçebileceği kadar büyükler. Aslında, yaklaşık 12 elektron transistörden bu şekilde geçebiliyor. Bu da, bir transistörün, 12 paralel iyon kanalına denk geldiği anlamına geliyor. Şimdi, bir kaç sene içinde, 2015'e kadar, transistörleri çok küçülteceğiz. Intel, yongalarına (mikro çip) daha fazla çekirdek eklemek için bunu yapıyor. Hafıza çubuklarınızda 1 gigabayt veri taşıyabiliyorsunuz, eskiden bu 256 megabayttı. Bunun olabilmesi için transistörler gittikçe küçülüyor, ve teknoloji bundan gerçekten de faydalandı.
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.
Fakat 2015 yılında, transistörler o kadar küçülmüş olacak ki, kanaldan aynı anda sadece bir elektron geçebilecek, ve bu da Ve iyon kanalında meydana gelene benzer trafik sıkışıklıkları görmeye başlıyorsunuz, akım açık olması gerekirken bile, raslantısal bir şekilde açılıp kapanacak. Bu yüzden bilgisayarınız "1" ve "0"larını karıştıracak, ve bu da çakılmasına sebep olacak.
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.
Şimdi, bu türden cihazlarla nasıl hesap yapacağımızı bilemediğimiz bir noktadayız. Ve bu türden cihazlarla hesap yapabilen, hesap yapabildiğini bildiğimiz, tek şey beyin.
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.
Tamam,o halde bilgisayar bellekten bir veri parçası alıyor, onu işlemciye ya da ALU'ya gönderiyor, ve sonra da sonucu belleğe geri koyuyor. Beliren kırmızı renkli yol şeklinde. Beyinlerin çalışmasında, bütün bu nöronlara sahipsiniz. Ve onların bilgiyi temsil etme şekli verileri kısa bölümler ve farklı nöronlar tarafından temsil edilecek şekilde ufak parçalar haline getirmek. Böylece şebekenin tamamına dağıtılmış bütün veri bölümlerine sahipsiniz. Ve sonra verilerin işlenmesiyle hedefe ulaşmada izlenecek yol, sizin şebekenin içindeki akışı sağlamanız yoluyla bu aktivite biçimini yeni bir aktivite biçimine dönüştürmektir. Ve bağlantıları kurarsınız, giriş paterni ilerler ve çıkış paterni oluşur.
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.
Burada gördüğünüz (yine) bu fazla sayıdaki bağlantıların varlığıdır. Bir kez bu data parçası ya da şu data parçası işlenirse kendini burada göstermezl, diğer bağlantıların yardımıyla bu iki parça ortada görünmeyen parçayı aktive eder. Böylece bazen bir koyup ta sıfır aldığınız işe yaramaz aletlerle çalışsanız bile şebekede fazladan varolan güç kaybolan bilgiyi hakikaten geri getirir. Bu beyni doğal açıdan güçlü kılar. Burada verileri bölgesel olarak depolayan bir sisteminiz var. Ve bu sistem hassastır, çünkü bu basamaklardan her biri kusursuz olmalıdır, aksi taktirde veriyi kaybedersiniz. Halbuki beyinde verileri dağınık biçimde depolayan bir sisteme sahipsiniz, ve o sağlamdır.
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.
Benim esas olarak anlatmak istediğim şey beyin gibi çalışan bir bilgisayar yapma hayalim. Bu son iki yıldır üzerinde çalıştığımız bir şey. Ve size retinayı modellemek için geliştirdiğimiz bir sistem göstermek istiyorum. Bu da göz kürenizin içine doğru uzanan bir parçacık beyin. Biz bunu bilgisayarda yapıdığı gibi bir kodlama yazarak yapmadık. Esasında, bu ufak beyin parçasındaki işlemleme bilgisayarların internet üzerinden video göndermelerine çok benzer bir işlemlemedir. Bilgileri sıkıştırma yoluyla-- görüntüde yeni olana ait değişikliklerin gönderilmesi-- ve bu da beyne gönderilecek bilginin önce göz kürelerinizin içinden sıkışmış olarak görme sinirine aktarılması gibi bir işleme benzer.
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.
Bunları yazılım olarak hazırlamak ya da bir takım algoritmalar yapmak yerine, nörobiyologlara gittik ve onlarla konuştuk ki onlar esasında retina denilen beyin parçasında bu mühendisliği sanki tersinden yapan ve bütün farklı hücreleri de belirleyen kişiler oluyorlar, ve şebekeyi ortaya koydular, biz bu şebekeyi aldık ve bir silikon çipin tasarımında plan olarak kullandık. Böylelikle artık nöronlar çipin üzerinde ufak nodlar ya da çevrimler halinde temsil ediliyorlar, ve nöronların arasındaki bağlantılar transistörler tarafından modelleniyorlar. Ve bu transistörler beyinde iyon kanalları nasıl davranıyorsa öyle davranıyorlar. Ve o tanımladığımla aynı özellikleri gösteren güvenli bir yapılanma verecek.
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.
Burada bizim yapay gözün neye benzediği görülüyor. Tasarladığımız retina çipi burada lensin arkasında görülüyor. Ve çip-- size bir video göstereceğim silikon retina bu çipi tasarlayan öğrenci Karem Zaghloul'a baktığı zaman kendi çıktısını bozarak değiştiriyor. Ne göreceksiniz açıklayayım, Pekala. Farklı bilgilerle çıktısını değiştirdiği için o sadece bir kamera gibi kaydetmiyor. Çip retina dört farklı türden bilgiyi ayırıp çıkarıyor. koyu renkli alanları ayırıyor, ki bunlar videoda kırmızı olarak görünecek. Ve beyaz ya da açık renkli alanları ayırıyor, ki videoda yeşil olarak görünecek.
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.
Bu Kareem'in koyu renkli gözleri ve burada görmüş olduğunuz da beyaz zemin. Ve (üçüncü olarak) harekete duyarlıdır. Kareem başını sağa doğru çevirdiği zaman mavi aktiviteyi görmüş olacaksınız. bu, görüntüde kontrastın koyudan açığa doğru arttığı alanları temsil ediyor. Ve aynı zamanda kontrastın açıktan koyuya doğru azaldığı bölgeleri temsil eden sarı aktiviteyi göreceksiniz. Ve bunlar bilginin dört tipi olmuş oluyor -- optik siniriniz içinde bir milyon kadar life sahiptir, ve bu liflerin 900,000 'i bu dört çeşit bilgiyi iletir. Böylece biz gerçekten optik sinirinizdeki sinyallerin kopyasını yapmış oluyoruz.
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.
Burada retina çipin çıktısından alınan ardısıra görüntülerin çok dağınık olduğunu farkediyorsunuz. Zeminin her yerinde yeşil renk parlamıyor, sadece kenarlarda, ve bu böyle devam ediyor. İnsanlar göndermek için videoyu sıkıştırdıkları zaman bakın aynı şeyi görüyorsunuz : dosya küçük olduğundan dağınık yapmak istiyorlar.. Ve bu da retinanın yaptığı gibi bir iş, ve onu bir devre içinde yapıyor, ve orada nöronlar şebeke içinde nasıl bir iletişime geçiyorlarsa, biz bunu çip üzerinde başardık.
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.
Ama ben göstermek istediğim noktayı size burada göstereceğim. Buradaki görüntü diğerlerine benzeyecek, ama burada size göstermek istediğim şey bunu yeniden yapılandırabilmemiz, Kareem'i üst bölümde herhalde tanıyacaksınız. İşte böyle. Evet, aynı zamanda fikri de. Biraz devam ederseniz açık ve koyu kontrastları da göreceksiniz. Ama öne ve arkaya hareket ettiği zaman, retina bu değişimleri de yakalar. Ve bilirsiniz ki, burada oturduğunuz zaman sizin zemininizde bir şeyler olursa, sadece ona doğru gözlerinizi hareket ettirirsiniz. Değişimi belirleyen hücreler vardır ve siz dikkatinizin yönünü ona doğru değiştirirsiniz. Ve bunlar size gizlice yaklaşmak isteyenleri farketmeniz için çok önemlidir.
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)
Bitirirken söylemek isterim ki, Afrika'yı piyano içine koyarsanız, bu gerçekleşir. Bu bir geliştirilmiş çelikten davul ve bu da Afrika'yı piyano içine koyduğunuz zaman olan. Ve bizlerin yapmasını istediğim şey Afrika'yı bilgisayar içine koyup, düşünce, hayal üreten, yaratıcı olan ve bu gibi şeyleri yapan yeni tür bir bilgisayarla ortaya çıkmak. Teşekkür ederim (Alkışlar)
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 : Sana bir soru, Kwabena. Zihninde, yaptığın çalışmaları, Afrika'nın geleceğini, bu konferansı-- biraraya koysan ne tür bağlantılar yapabiliriz, eğer varsa,aralarında?
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 : Evet, başlangıçta da söylediğim gibi. İlk bilgisayarımı gençliğimde, Accra'da büyürken aldım. Ve bunu yapmamın doğru olmadığını belirten acımasız bir tepki aldım. acımasızca ve düşüncesizceydi. Eğer bütün bu bilim kurguyu okuyarak, RD2D''yi duyarak ve ne denilirse denilsin--size kalmış-- bilgisayarlar hakkındaki ucuz reklamlardan etkilenerek büyümüş olsaydım bu tür bir tepkiyi almazdım. Ben farklı bir görüş açısından geliyordum, bu görüş açısını problemin çözümü için getiriyordum. Ve bana göre Afrika'daki bir çok insan bu farklı görüş açısına sahip ve bunun teknolojiyi etkileyeceğini düşünüyorum. Ve bu etkilenme onun nasıl gelişeceği doğrultusunda olacak. Ve bu etkileşimin yeni sonuçlara yol açacağını görebileceksiniz. çünkü siz farklı bir görüş açısından geliyorsunuz. Biz de herkes gibi katkıda bulunabiliriz, hayal edebiliriz.
CA: Thanks Kwabena, that was really interesting. Thank you.
Chris Anderson: Teşekkürler Kwabena, gerçekten çok ilginçti. Teşekkür ederim.
(Applause)
(Alkışlar)