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.
Я отримав свій перший комп'ютер, коли ще був підлітком і проживав у Аккрі, і це був дійсно крутий пристрій. На ньому можна було грати в комп'ютерні ігри, можна було програмувати на Бейсіку. Я був просто зачарований. І я пішов у бібліотеку, щоб дізнатися, як працює ця річь. Я прочитав про те, як процесор постійно переганяє дані туди-назад поміж пам'ятю, ОЗУ та АЛУ, арифметико-логічним пристроєм. І я подумав про себе, що цей ЦП насправді повинен працювати як скажений для того, щоб передавати всі ці дані крізь систему.
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?
Але ніхто особливо не переймався з цього приводу. Коли комп'ютери вперше з'явились, було сказано, що вони працюють в мільйон разів швидше за нейрони. Люди були в захваті, вони думали, що скоро зможуть перевершити можливості мозку. Ось справжня цитата Алана Тюрінга: "Через 30 років задати питання комп'ютеру буде так само просто, як запитати людину." Це було сказано в 1946 році. І зараз, в 2007, це все ще не так. Питання полягає в тому, чому насправді ми не спостерігаємо тієї продуктивності в комп'ютерах, яка притаманна мозку?
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.
Чого люди не усвідомлювали, і я починаю усвідомлювати тільки зараз, це те, що ми платимо величезну ціну за швидкість, про яку ми заявляємо, як про велику перевагу комп'ютерів. Давайте поглянемо на деякі цифри. Це Блакитний Джин, найшвидший у світі комп'ютер. Він містить в собі 120,000 процесорів; вони по суті можуть оброблювати 10 квадрильйонів біт інформації за секунду. Це 10 в 16-тому ступені. І вони споживають півтора мегавати енергії. Було б дуже добре, якщо б ви могли додати це до виробничої потужності Танзанії. Це в значній мірі підштовхнуло б економіку. Повертаючись до Штатів, якщо ви переведете кількість електроенергії, яку використовує цей комп'ютер, у кількість домогосподарств у Штатах, то ви отримаєте 1,200 домогосподарств у Сполучених Штатах. Ось яку величезну енергію використовує цей комп'ютер.
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.
А тепер, давайте співставимо це з мозком. Ось зображення мозку подруги Рорі Сейреса. Рорі - аспірант Стенфорду. Він вивчає мозок за допомогою МРТ, і він стверджує, що це найпрекрасніший мозок, який йому коли-небуть доводилося сканувати. (Сміх) Ось що значить справжнє кохання. І так, який об'єм обчислень виконує мозок? Я оцінюю цю величину в 10 у 16-тому ступені біт за секунду, що насправді дуже близько до продуктивності Блакитного Джина. І ось - питання. Питання полягає в наступному, скільки -- а вони виконують однаковий об'єм обчислень, однаковий об'єм даних -- питання полягає в тому, скільки саме електроенергії споживає мозок? Насправді, саме стільки, скільки споживає ваш портативний комп'ютер: всього 10 ват. Те, що ми виконуємо за допомогою комп'ютерів, які споживають енергію співрозмірну з енергією, необхідною для 1,200 домогосподарств, мозок виконує, споживаючи енергію співрозмірну з енергією, яка потрібна для роботи вашого портативного комп'ютера.
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.
Запитання полягає в наступному, як мозку вдається досягти такої ефективності? Дозвольте мені підвести підсумки. І так, практичний результат: для обробки інформації мозок використовує в 100,000 разів менше енергії, ніж комп'ютерна технологія, яку ми маємо саме зараз. Як мозку вдається досягнути такого результату? Давайте подивимось, як працює мозок, а потім я порівняю це з тим, як працюють комп'ютери. Цей кліп узятий з PBS серій, "Таємне життя мозку." У ньому показані клітини, які виконують обробку інформації. Вони називаються нейронами. По своїм відросткам вони посилають короткі електричні імпульси один одному, і в місцях, де вони з'єднані, ці короткі електричні імпульси можуть перестрибувати з одного нейрона на інший. Цей процес називається синапс. У вас є ця величезна мережа клітин, які взаємодіють одна з одною - їх приблизно 100 мільйонів, посилаючи приблизно 10 квадрильйонів імпульсів в секунду. І це по своїй суті те, що у вас відбувається у мозку прямо зараз, під час перегляду цієї лекції.
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.
Як це співвідноситься з тим, як працює комп'ютер? В комп'ютері всі дані проходять через центральний процесор, і по суті кожна порція даних повинна пройти через це вузьке місце, в той же час у мозку є тільки нейрони і дані просто проходять через мережу зв'язків між нейронами. Тут немає вузького місця. Це насправді мережа в буквальному розумінні цього слова. Ця мережа і виконує всю роботу в мозку. Якщо ви подивитесь на ці дві картинки, вам спадуть на думку саме ці слова. Це послідовно і стійко -- це як рух машин на автостраді, все проходить у строго визначеному порядку -- в той час як все це відбувається паралельно і є потоком. Обробка інформації є дуже динамічною і адаптивною.
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.
І я не перший, хто зрозумів це. Це цитата Брайана Іно: "проблема комп'ютерів полягає в тому, що в них недостатньо Африки." (Сміх) Брайан сказав це в в 1995. Тоді його ніхто не слухав, але зараз люди починають прислухатися до його слів, тому що в цьому з'явилася необхідність, ми зіткнулися з технологічною проблемою. І зараз я трішки познайомлю вас з нею на наступних слайдах.
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.
Проблема в цьому -- дійсно можна прослідити наявну схожість між пристроями, які ми використовуємо для обчислень в комп'ютерах, і пристроями, які наш мозок використовує для обчислень. Пристрої, які використовуються в комп'ютерах, називаються транзисторами. Ось цей електрод, який називається затвором, контролює протікання струму від витоку до стоку -- ось ці два електроди. І цей струм, електричний струм, переноситься електронами, так само, як у вас удома, і тому подібне. І що ви маєте тут: коли ви відчиняєте затвор, відбувається посилення струму і врешті-решт ви отримуєте постійний струм. І коли ви закриваєте затвор, струм перестає текти через пристрій. Ваш комп'ютер використовує наявність струму для представлення одиниці і відсутність струму для представлення нуля.
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.
Зараз відбувається те, що транзистори стають все меншими і меншими і меншими, і вони вже не поводяться таким чином. Фактично, вони починають поводитись як пристрій, який нейрони використовують для обчислення, що називається іонним каналом. Ось маленька білкова молекула. Я маю на увазі те, що в нейронах їх тисячі. Вона знаходиться в мембрані клітини і в ній є пора. А ось тут знаходяться окремі іони калія, які проходять через цю пору. Ця пора може відкриватись і закриватись. Але коли вона відкрита, тому що іони повинні вишикуватись в лінію і проходити через неї по одному, ми отримаємо щось на зразок спорадичного, а не постійного потоку -- це спорадичний струм. І якщо закрити цю пору, що можуть зробити нейрони, вони можуть відкривати і закривати ці пори для того, щоб генерувати електричну активність - навіть якщо пора закрита, оскільки іони дуже малі, то вони можуть пройти крізь неї, за один раз можуть пройти декілька. І так, ми маємо те, що коли пора відкрита, час від часу ми маємо деякий струм. Ось наші одиниці, але в них є декілька нулів. І коли вона закрита, ми маємо нуль, але є і декілька одиниць.
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.
Зараз ми починаємо спостерігати це в транзисторах. І причиною цьому є те, що на даний момент, у 2007 -- що в технології, яку ми використовуємо, транзистор достатньо великий для того, щоб декілька електронів могли пройти крізь канал одночасно, поруч. Фактично, приблизно 12 електронів можуть пройти у такий спосіб. І це означає, що транзистор відповідає приблизно 12-ти паралельним іонним каналам. Через декілька років, до 2015, ми значно зменшимо транзистори. Це те, що робить Інтел для того, щоб додати більше ядер у чіп. Або карти пам'яті, які ви зараз маєте, можуть містити один гігабайт даних - раніше це було 256 мегабайт. Транзистори стають все меншими, дозволяючи це реалізувати, і технологія дійсно виграла від цього.
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.
Зараз все йде до того, що транзистори до 2015 стануть настільки малими, що лише один електрон в один момент часу зможе пройти через канал, що відповідає одиничному іонному каналу. І з'являються ті ж затори, які спостерігаються в іонному каналі. Струм буде вмикатися і вимикатися випадково, навіть тоді, коли він повинен бути увімкненим. І це означає, що ваш комп'ютер буде отримувати одиниці і нулі в змішаному вигляді, що призведе до краху вашої машини.
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.
Зараз ми знаходимося на тій стадії, коли ми насправді не знаємо як саме виконувати обчислення за допомогою цих пристроїв. І лише єдина річ, єдиний пристрій, який ми знаємо сьогодні, і який може виконувати обчислення за допомогою такого типу елементів - це мозок.
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.
Отже, комп'ютер вибирає конкретний елемент даних з пам'яті, відправляє його в процесор або АЛУ, а потім він відсилає результат назад у пам'ять. Це позначено красним, виділені зв'язки. Як працює мозок, я вам розповів. У вас є всі ці нейрони. Вони представляють інформацію наступним чином: розділяють дані на маленькі частини, представлені у вигляді імпульсів та окремих нейронів. Таким чином, ви маєте всі ці дані, розподілені в мережі. І далі процес обробки даних для отримання результату наступний: ви трансформуєте цю модель активності в нову модель активності по мірі того, як вона проходить крізь мережу. Ви встановлюєте зв'язки таким чином, щоб вхідна модель проходила по ним і генерувала вихідну модель.
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.
Ось тут ви бачите, що є ці надлишкові зв'язки. Тому, якщо ось ця частина даних або ця частина даних буде пошкоджена, це ніяк не відобразиться тут, ці дві частини можуть активувати відсутню частину цими надлишковими зв'язками. Таким чином, навіть якщо ви маєте справу з цими паршивими пристроями, в яких інколи ви отримуєте нуль замість одиниці, в мережі наявна ця надлишковість, яка насправді може відновити відсутню інформацію. По суті, це робить роботу мозку надійною. Те, що ви маєте тут - це система, де ви зберігаєте дані локально. І вона тендітна, тому що кожен з цих кроків повинен бути бездоганним, в іншому випадку ви втратите дані. В той же час, мозок представляє собою систему, яка зберігає дані розподілено, і це надійно.
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.
Головне, про що я хочу розповісти, це моя мрія створити комп'ютер, який працює як мозок. Це те, над чим ми працюємо останні пару років. І зараз я вам покажу систему, яку ми спроектували для моделювання сітківки ока, яка є частиною мозку, що розміщується всередині очного яблука. Для цього ми не пишемо код, як це робиться в комп'ютерах. Фактично процеси, які протікають в маленькій частині мозку, дуже схожі на процеси, які відбуваються в комп'ютерах при передачі потокового відео через інтернет. Вони намагаються стиснути інформацію -- вони намагаються передати тільки зміни, те що нове в зображенні, і так далі -- це те, як ваше очне яблуко здатне втиснути всю інформацію в оптичний нерв, щоб відіслати в інші ділянки мозку.
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.
Замість того, щоб писати програми або розроблювати відповідні алгоритми, ми відправились на розмову з нейробіологами, які фактично в зворотньому порядку спроектували цю частину мозку, яка називається сітківка. Вони дослідили всю різноманітність клітин, дослідили мережу, і ми просто взяли цю мережу і використовуємо її як схему для створення кремнієвої мікросхеми. Таким чином зараз нейрони представлені невеликими вузлами або ланцюгами на мікросхемі, а зв'язки між нейронами моделюються транзисторами. І ці транзистори ведуть себе так само, як іонні канали в мозку. Це дасть вам таку ж надійну архітектуру, яку я описав.
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.
Це те, як насправді виглядає наше штучний око. Розроблена нами мікросхема, яка моделює сітківку, встановлена позаду цієї лінзи. І ця мікросхема -- я покажу вам відео, отримане на кремнієвій сітківці, коли вона розглядала Керіма Заглоу, студента, який сконструював цю мікросхему. Дозвольте мені пояснити, що ви зараз побачите, добре? Тому що він видає різні типи інформації, це не так просто як камера. Мікросхема, яка моделює сітківку, виділяє чотири різних види інформації. Вона виділяє області з темною контрастністю, які будуть показані на відео червоним кольором. І вона виділяє області з білою або світлою контрастністю, які будуть показані на відео зеленим кольором.
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.
Це темні очі Керіма, а це - білий фон, який ви бачите тут. І потім вона також виділяє рухи. Коли Керім рухає свою голову вправо, ви будете спостерігати активність блакитного кольору; вона представляє області на зображенні, де контраст збільшується, тобто переходить від темної до світлої. І ви також бачите цю активність жовтого кольору, яка представляє області, де контраст зменшується; тобто переходить зі світлого в темний. І ці чотири типа інформації -- ваш зоровий нерв містить близько мільйона волокон, 900 000 з яких передають ці чотири типа інформації. Таким чином, ми насправді дублюємо типи сигналів, які надходять до зорового нерву.
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.
Що ви можете відмітити тут це те, що знімки, отримані на виході сітківки, що моделюється мікросхемою, дуже розсіяні, чи не так? Зелений колір не засвітлює все на задньому фоні, тільки по краях, на волоссі і так далі. Це те ж саме, що ви спостерігаєте, коли люди стискають відео для того, щоб його передати: вони хочуть зробити його розсіяним, тому що такий файл має менший розмір. І саме це робить сітківка, і вона робить це за допомогою лише однієї структури, як мережа нейронів, які взаємодіють на цій ділянці, яку ми відтворили в наші мікросхемі.
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.
Але головне, що я хочу показати, я продемонструю вам зараз. І так, ось це зображення скоро буде виглядати так же, як ці, але тут я покажу вам, що ми можемо реконструювати зображення, ось, бачите, вже можна розпізнати Керіма в цій верхній частині. Ось, вийшло. Так, в цьому і є ідея. Коли ви стоїте непохитно, то ви бачите тільки світлі і темні контрасти. Але коли є рух назад і вперед, сітківка сприймає ці зміни. Тому, ви знаєте, коли ви сидите тут і щось трапляється в вашому полі зору, ви просто переводите погляд. Є клітини, які фіксують зміни і ви переводите вашу увагу на них. Тому ці клітини дуже важливі для того, щоб помітити хто намагається підкрастися до вас.
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)
Дозвольте мені на завершення сказати, що буде, коли додати Африку в фортепіано. Гаразд. Це сталевий барабан, який був модернізований, і це те, що виходить, якщо додати Африку в фортепіано. І я б дуже хотів. щоб ми додали Африку в комп'ютер і отримали новий тип комп'ютера, який буде генерувати думки, уявлення, мати творчі здібності і т.д. Дякую! (Аплодисменти)
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?
Кріс Андерсон: питання до тебе, Квабена. Ви якось пов'язуєте разом в своєму розумінні те, що ви робите, майбутнє Африки, цю конференцію -- які зв'язки можна встановити між ними, якщо є такі?
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.
Квабена Боахен: Так, як я сказав на початку, Я отримав свій перший комп'ютер, коли я був підлітком і проживав у Аккрі. І в мене склалося таке враження, що це був хибний шлях конструювати таким чином. Це було просто використання грубої сили; це було дуже не елегантно. Я думаю, я б не відреагував подібним чином, якщо б зростав би читаючи всю цю наукову фантастику, слухаючи про RD2D2, або як він там називався, ну і, самі знаєте, довіряючи цьому галасу про комп'ютери. Я підійшов до цього з іншої точки зору, і привніс цю іншу точку зору для вирішення даної проблеми. І я думаю багато людей в Африці мають цю іншу точку зору, і я думаю, це вплине на розвиток технологій. І це вплине на шляхи їх розвитку. І я думаю скоро ви матимете можливість побачити, використати цей внесок для створення нових речей, тому що ви матимете іншу точку зору. Я думаю ми можемо внести свій внесок. Ми можемо мріяти як і всі інші.
CA: Thanks Kwabena, that was really interesting. Thank you.
Кріс Андерсон: Дякую Квабена, це було дійсно цікаво. Дякую.
(Applause)
(Аплодисменти)