Kwabena Boahen: Making a computer that works like the brain

Translator: mohammad ali masoum

I got my first computer when I was a teenager growing up in Accra,

هنگامی که نوجوان بودم اولین کامپیوترم را در آکرا(پایتخت غنا) گرفتم،

and it was a really cool device.

و دستگاه بسیار جذابی بود.

You could play games with it. You could program it in BASIC.

می‌توانستید با آن بازی کنید. می‌توانستید به زبان پایه آن را برنامه‌‌ریزی کنید.

And I was fascinated.

و من مجذوب آن شده بودم.

So I went into the library to figure out how did this thing work.

پس به کتابخانه رفتم تا بفهمم کامپیوتر چگونه کار می‌کند.

I read about how the CPU is constantly shuffling data back and forth

من خواندم که پردازنده چگونه داده‌ها را دایما به این سو و آن سو جابجا می‌کند.

between the memory, the RAM and the ALU,

بین حافظه داخلی، واحد RAM و واحد ALU،

the arithmetic and logic unit.

واحد حسابی و منطقی.

And I thought to myself, this CPU really has to work like crazy

و با خودم فکر کردم، این پردازنده باید دیوانه‌ وار کار کند

just to keep all this data moving through the system.

تا همه این داده‌ها را درون سیستم جابجا کند.

But nobody was really worried about this.

اما هیچکس نگران این موضوع نبود.

When computers were first introduced,

هنگامی که کامپیوتر‌ها برای اولین بار معرفی شدند،

they were said to be a million times faster than neurons.

گفته شد که میلیون‌ها بار سریع تر از نورون‌ها هستند.

People were really excited. They thought they would soon outstrip

مردم هیجان‌زده بودند. فکر می‌کردند که به زودی می‌توانند

the capacity of the brain.

از ظرفیت مغز پیشی بگیرند.

This is a quote, actually, from Alan Turing:

این درواقع، یک نقل قول، ازآلان تورینگ است:

"In 30 years, it will be as easy to ask a computer a question

«در ۳۰ سال آینده، سوال پرسیدن از یک کامپیوتر آسان‌تر

as to ask a person."

از انسان خواهد بود.»

This was in 1946. And now, in 2007, it's still not true.

این مربوط به سال ۱۹۴۶ بود. و الان در ۲۰۰۷، همچنان این حرف درست نیست.

And so, the question is, why aren't we really seeing

پس، سوال این است که، چرا ما واقعا قدرتی را که

this kind of power in computers that we see in the brain?

در مغز می‌بینیم، در کامپیوترها نمی‌بینیم؟

What people didn't realize, and I'm just beginning to realize right now,

چیزی که مردم آن را درک نکردند، و من تازه شروع به فهمیدن آن کردم،

is that we pay a huge price for the speed

این است که ما هزینه زیادی برای سرعت می‌پردازیم

that we claim is a big advantage of these computers.

که ادعا می‌کنیم مزیتی بزرگ برای این کامپیوترها است.

Let's take a look at some numbers.

بیایید نگاهی به ارقام بیندازیم.

This is Blue Gene, the fastest computer in the world.

این بلوجین است، سریع ترین کامپیوتر در دنیا.

It's got 120,000 processors; they can basically process

۱۲۰ هزار پردازنده دارد که می‌توانند

10 quadrillion bits of information per second.

ده کوادریلیون بیت اطلاعات را درثانیه پردازش کنند.

That's 10 to the sixteenth. And they consume one and a half megawatts of power.

که برابر ۱۰ به توان ۱۶است. همچنین آنها یک ونیم مگاوات برق مصرف می‌کنند.

So that would be really great, if you could add that

پس بسیار عالی خواهد بود، اگر می‌توانستیم

to the production capacity in Tanzania.

آن را به ظرفیت تولید تانزانیا اضافه کنیم.

It would really boost the economy.

این کامپیوتر می‌تواند اقتصاد را جلو ببرد.

Just to go back to the States,

حالا برگردیم به ایالات‌ها،

if you translate the amount of power or electricity

اگرشما مقدار انرژی یا الکتریسیته مصرفی رایانه‌ها را به

this computer uses to the amount of households in the States,

به میزان خانواده‌ها در ایالت‌ها تبدیل کنید،

you get 1,200 households in the U.S.

مصرف الکتریسته آن برابر ۱۲۰۰ خانوار را خواهید داشت.

That's how much power this computer uses.

این مقدار برقی است که این رایانه‌ استفاده می‌کند.

Now, let's compare this with the brain.

حالا بیایید این را با مغز مقایسه کنیم.

This is a picture of, actually Rory Sayres' girlfriend's brain.

این تصویر، درواقع مغز دوست دختر روری سایرس است

Rory is a graduate student at Stanford.

روری دانش آموخته استانسفورد است

He studies the brain using MRI, and he claims that

او مغز را با استفاده از MRI مطالعه می‌کند و او ادعا می‌کند که

this is the most beautiful brain that he has ever scanned.

این زیباترین مغزی است که او تا به حال اسکن کرده است

(Laughter)

(خنده حضار)

So that's true love, right there.

این یک عشق حقیقی است، درست اینجا.

Now, how much computation does the brain do?

مغز چه مقدار محاسبه انجام می‌دهد؟

I estimate 10 to the 16 bits per second,

تخمین می‌زنم که ده تا شانزده بایت در ثانیه،

which is actually about very similar to what Blue Gene does.

که در واقع شبیه به کاری است که بلو جین انجام می‌دهد.

So that's the question. The question is, how much --

خب سوال این است چه مقدار--

they are doing a similar amount of processing, similar amount of data --

پردازش مشابه را انجام می‌دهند؟ مقدار اطلاعات مشابه --

the question is how much energy or electricity does the brain use?

سوال این است مغز چه مقدار انرژی یا الکتریسیته استفاده می‌کند؟

And it's actually as much as your laptop computer:

در واقع به اندازه لب‌تاپ شماست.

it's just 10 watts.

فقط ده وات است،

So what we are doing right now with computers

آنچه که امروزه با کامپیوترها انجام می‌دهیم

with the energy consumed by 1,200 houses,

با انرژی که توسط ۱٫۲۰۰ خانه‌ها مصرف شده،

the brain is doing with the energy consumed by your laptop.

مغز با انرژی که توسط لپ‌تاب‌تان مصرف می کرد انجام می‌دهد.

So the question is, how is the brain able to achieve this kind of efficiency?

خب سوال این است که مغز چطور به این میزان کارآمدی دست پیدا می‌کند؟

And let me just summarize. So the bottom line:

واجازه دهید در یک خط خلاصه کنم:

the brain processes information using 100,000 times less energy

مغز اطلاعات را ۱۰۰،۰۰۰بار با انرژی کمتر از

than we do right now with this computer technology that we have.

تکنولوژی رایانه‌هایی که داریم پردازش می‌کند.

How is the brain able to do this?

مغز چگونه قادر به انجام این کار است؟

Let's just take a look about how the brain works,

بیاید راجع به این که مغز چطور کار می‌کند نگاهی بکنیم.

and then I'll compare that with how computers work.

ومن کار آن را با عملکرد مغز مقایسه خواهم کرد.

So, this clip is from the PBS series, "The Secret Life of the Brain."

خب این کلیپی از مجموعه‌ي‌ PBS از "زندگی پنهانی مغز" است.

It shows you these cells that process information.

به شما سلول‌ها را نشان می‌دهد که اطلاعات را پردازش می‌کنند.

They are called neurons.

آنها را نورون می‌نامند.

They send little pulses of electricity down their processes to each other,

آنها مقداری جریان الکتریسیته ضعیف را برای پردازش به همدیگر می‌فرستند،

and where they contact each other, those little pulses

و جایی که با هم تماس پیدا می‌کنند،

of electricity can jump from one neuron to the other.

آن جریان الکتریسیته می‌تواند از نورون دیگر به دیگری منتقل شوند.

That process is called a synapse.

این فرایند سیناپس نامیده می‌شود.

You've got this huge network of cells interacting with each other --

شما این شبکه عظیمی ازسلول‌ها را در ارتباط با یکدیگر--

about 100 million of them,

در مورد ۱۰۰ میلیون از آنها دارید،

sending about 10 quadrillion of these pulses around every second.

که حدود ده کوادریلیون را در هر ثانیه می‌فرستد.

And that's basically what's going on in your brain right now as you're watching this.

و اساسا در مغزتان در حال انجام است، الان که این را می‌بینید.

How does that compare with the way computers work?

حال چگونه با کار رایانه‌ها مقایسه می‌شود؟

In the computer, you have all the data

در رایانه‌ها شما اطلاعاتی دارید

going through the central processing unit,

که از میان یک بخش پردازشگر عبور می‌کند،

and any piece of data basically has to go through that bottleneck,

و هر قسمت از داده‌ها اساسا باید از آن گلوگاه عبور کند،

whereas in the brain, what you have is these neurons,

درحالی که در مغز آنچه دارید در سلول‌های عصبی است،

and the data just really flows through a network of connections

و داده‌ها فقط از طریق یک شبکه از ارتباطات

among the neurons. There's no bottleneck here.

بین نورون جریان می‌یابد، اینجا گذرگاهی نیست.

It's really a network in the literal sense of the word.

این واقعا یک شبکه به معنای واقعی کلمه است.

The net is doing the work in the brain.

شبکه کار را در مغز انجام می‌دهد.

If you just look at these two pictures,

اگر شما به این دو تصویر نگاه کنید،

these kind of words pop into your mind.

این نوع از لغات به ذهن شما خطور می‌کند.

This is serial and it's rigid -- it's like cars on a freeway,

این سریال است و سخت است--شبیه ماشین در بزرگراه است.

everything has to happen in lockstep --

همه چیز باید مرحله به مرحله اتفاق بیفتد--

whereas this is parallel and it's fluid.

در حالی که موازی است و روان.

Information processing is very dynamic and adaptive.

پردازش اطلاعات بسیار پویا و انطباقی است.

So I'm not the first to figure this out. This is a quote from Brian Eno:

خب من اولین نفر نیستم که این را فهمیده است این یک نقل قول از براون انو است:

"the problem with computers is that there is not enough Africa in them."

«مشکل رایانه‌ها این است که به اندازه کافی در آنها افریقایی نیست.»

(Laughter)

(خنده حضار)

Brian actually said this in 1995.

براون درواقع در سال ۱۹۹۵ این را گفت.

And nobody was listening then,

و هیچ کس گوش نمی‌داد،

but now people are beginning to listen

اما حالا افراد شروع به گوش دادن می‌کنند

because there's a pressing, technological problem that we face.

زیرا یک مشکل فشرده و فنی وجود دارد که ما با آن مواجه هستیم.

And I'll just take you through that a little bit in the next few slides.

که فقط دراسلایدهای بعدی تعداد کمی از آن را می‌گویم.

This is -- it's actually really this remarkable convergence

در واقع -- این همگرایی قابل توجه بین دستگاه‌هایی است

between the devices that we use to compute in computers,

که برای محاسبه کردن در رایانه استفاده می‌کنیم،

and the devices that our brains use to compute.

و وسیله‌هایی که مغز ما برای محاسبه کردن استفاده می‌کند.

The devices that computers use are what's called a transistor.

دستگاه‌هایی که کامپیوتر استفاده می‌کنند همان چیزی است که ترانزیستور نامیده می‌شود.

This electrode here, called the gate, controls the flow of current

الکترودی که اینجاست دریچه نامیده می‌شود جریان را از منبع

from the source to the drain -- these two electrodes.

به این دو الکترود کنترل می‌کند.

And that current, electrical current,

و این جریان، جریان الکتریکی

is carried by electrons, just like in your house and so on.

توسط الکترون‌ها حمل می‌شود،.درست در منزل شما و به همین ترتیب.

And what you have here is, when you actually turn on the gate,

و چیزی که شما اینجا دارید وقتی که دریچه را باز می‌کنید،

you get an increase in the amount of current, and you get a steady flow of current.

شما مقدار جریان را افزایش می‌دهید، و جریان دایمی پایدار را دریافت می‌کنید.

And when you turn off the gate, there's no current flowing through the device.

و وقتی دریچه را می‌بندید، جریانی در داخل دستگاه وجود ندارد.

Your computer uses this presence of current to represent a one,

رایانه شما از این حضور جریان برای نشان دادن یک استفاده می‌کند،

and the absence of current to represent a zero.

و فقدان جریان صفر را نشان می‌دهد.

Now, what's happening is that as transistors are getting smaller and smaller and smaller,

آنچه که اتفاق می‌افتد این است که همان طور که ترانزیستورها کوچکتر می‌شوند،

they no longer behave like this.

دیگر این چنین رفتار نمی‌کنند.

In fact, they are starting to behave like the device that neurons use to compute,

در واقع، آنها مانند دستگاهی که نورون‌ها برای محاسبه استفاده می‌کنند رفتار می‌کنند،

which is called an ion channel.

که کانال یون نامیده می‌شود.

And this is a little protein molecule.

این مقدار کمی مولکول پروتئین است.

I mean, neurons have thousands of these.

منظورم این است که نورون‌ها هزاران برابر این را دارند.

And it sits in the membrane of the cell and it's got a pore in it.

و آن در غشای سلول قرار می‌گیرد و در آن منافذ ایجاد می‌کند.

And these are individual potassium ions

واین یون‌های پتاسیم تکی هستند

that are flowing through that pore.

که از طریق منفذ در عبور هستند،

Now, this pore can open and close.

حالا این منافذ می‌تواند باز یا بسته شود

But, when it's open, because these ions have to line up

اما زمانی که باز است چون که این یون‌ها باید در خطوط قرار بگیرند

and flow through, one at a time, you get a kind of sporadic, not steady --

واز آن عبور کنند هربار به نوعی پراکنده دارید نه دائم --

it's a sporadic flow of current.

این یک جریان پراکنده است.

And even when you close the pore -- which neurons can do,

و حتی زمانی که منفذ را می‌بندید -- که نورون‌ها می‌توانند انجام دهند،

they can open and close these pores to generate electrical activity --

آنها می‌توانند این دریچه‌ها را باز یا ببندند تا فعالیت الکتریکی تولید کنند.

even when it's closed, because these ions are so small,

حتی زمانی که بسته می‌شود به علت این که یون‌ها بسیارکوچک هستند،

they can actually sneak through, a few can sneak through at a time.

آنها می‌توانند درواقع مخفیانه حرکت کنند. تعداد کمی می‌توانند عبور کنند.

So, what you have is that when the pore is open,

خب چیزی که شما دارید این است که زمانی که دریچه‌ها باز هستند،

you get some current sometimes.

شما گاهی اوقات تعدادی جریان خواهید داشت.

These are your ones, but you've got a few zeros thrown in.

این‌ها یک‌های شما هستند، اما شما صفرها را بیرون انداختید.

And when it's closed, you have a zero,

اما زمانی که بسته می‌شوند، شما صفر را دارید،

but you have a few ones thrown in.

اما تعداد کمی یک به بیرون دادید.

Now, this is starting to happen in transistors.

این شروع در ترانزیستور اتفاق می‌افتد.

And the reason why that's happening is that, right now, in 2007 --

و دلیل اتفاق این است که اکنون در سال۲۰۰۷ --

the technology that we are using -- a transistor is big enough

تکنولوژی که ما استفاده می‌کنیم -- یک ترانزیستور به اندازه کافی بزرگ است

that several electrons can flow through the channel simultaneously, side by side.

که چند الکترون می‌توانند از طریق کانال همزمان کنار هم جریان داشته باشند.

In fact, there's about 12 electrons can all be flowing this way.

حدود ۱۲ میلیون الکترون هست که همه می‌توانند به این طریق جریان داشته باشند.

And that means that a transistor corresponds

و به این معنی است که یک ترانزیستور

to about 12 ion channels in parallel.

به طور موازی به ۱۲کانال یونی متصل است.

Now, in a few years time, by 2015, we will shrink transistors so much.

حالا در چند سال گذشته تا ۲۰۱۵ ترانزیستورها را خیلی کم خواهیم کرد.

This is what Intel does to keep adding more cores onto the chip.

این همان چیزی است که اینتل برای اضافه کردن هسته‌های بیشتر به تراشه ادامه می‌دهد.

Or your memory sticks that you have now can carry one gigabyte

یا حافظه شما نگه می‌دارد که اکنون می‌توانید یک گیگابایت اطلاعاتی

of stuff on them -- before, it was 256.

را در مورد آنها حمل کنید -- قبلا، ۲۵۶ بود.

Transistors are getting smaller to allow this to happen,

ترانزیستورها کوچکتر می‌شوند تا این اتفاق بیفتد.

and technology has really benefitted from that.

و فناوری واقعا از آن سود برده است.

But what's happening now is that in 2015, the transistor is going to become so small,

اما آنچه که الان درحال وقوع است این است که در ۲۰۱۵ ترانزیستورها دارند کوچکتر شوند،

that it corresponds to only one electron at a time

که تنها یک الکترون در یک زمان می‌تواند

can flow through that channel,

از طریق آن کانال جریان یابد،

and that corresponds to a single ion channel.

وآن پاسخگوی کانال یونی منفرد است.

And you start having the same kind of traffic jams that you have in the ion channel.

و شما این چنین فشردگی ترافیکی که در کانال یونی هست را دارید.

The current will turn on and off at random,

جریان به طور دلخواه باز و بسته خواهد شد.

even when it's supposed to be on.

حتی هنگامی که قرار است روشن باشد.

And that means your computer is going to get

و بدین معنی است که کامپیوتر شما

its ones and zeros mixed up, and that's going to crash your machine.

صفر و یک را همزمان دارد و می‌خواهد ماشین شما را خراب کند.

So, we are at the stage where we

پس ما در مرحله‌ای هستیم

don't really know how to compute with these kinds of devices.

که واقعا نمی‌دانیم که چگونه این نوع وسیله‌ها را محاسبه کنیم.

And the only kind of thing -- the only thing we know right now

و تنها چیزی که الان می‌دانیم --

that can compute with these kinds of devices are the brain.

که می‌توانند این نوع از وسیله‌ها را محاسبه کنند مغزها هستند

OK, so a computer picks a specific item of data from memory,

خب کامپیوتر بخش‌های خاصی از اطلاعات را از حافظه انتخاب می‌کند،

it sends it into the processor or the ALU,

وآن را به پردازشگرALU ارسال می‌کند،

and then it puts the result back into memory.

و اطلاعات را به حافظه بر می‌گرداند.

That's the red path that's highlighted.

آن مسیر قرمز رنگ و سایه روشن است.

The way brains work, I told you all, you have got all these neurons.

راهی که مغزها کار می‌کنند، من به همه شما گفتم، همه شما این نورون‌ها را دارید.

And the way they represent information is

و راهی که اطلاعات را نمایش می‌دهند، این است

they break up that data into little pieces

داده را به تکه‌های کوچک تجزیه می‌کنند

that are represented by pulses and different neurons.

که توسط پالس‌ها ونورون‌های مختلف نمایش داده می‌شود.

So you have all these pieces of data

پس شما همه این قسمت‌های داده‌ها

distributed throughout the network.

را ازطریق شبکه توزیع می‌کنید.

And then the way that you process that data to get a result

و سپس راهی که شما داده‌ها را پردازش می‌کنید که به نتیجه برسید

is that you translate this pattern of activity into a new pattern of activity,

این است که شما این الگوهای فعالیت را به الگوهای فعالیت جدید ترجمه کنید.

just by it flowing through the network.

از راه شبکه جاری کنید.

So you set up these connections

پس شما این ارتباطات را راه‌اندازی می‌کنید

such that the input pattern just flows

به طوری که الگوی ورودی فقط جریان می‌یابد

and generates the output pattern.

و الگوی خروجی تولید می‌شود.

What you see here is that there's these redundant connections.

آنچه در اینجا می‌بینید این است که این اتصالات بیش از حد وجود دارد.

So if this piece of data or this piece of the data gets clobbered,

بنابراین اگر این قطعه داده یا این قطعه از داده‌ها خراب شود،

it doesn't show up over here, these two pieces can activate the missing part

آن را در اینجا نشان نمی‌دهد، این دو قطعه می‌تواند بخش گمشده را

with these redundant connections.

با این اتصالات بیرونی فعال کند.

So even when you go to these crappy devices

پس حتی زمانی که به سمت این دستگاه‌های جادویی می‌روید

where sometimes you want a one and you get a zero, and it doesn't show up,

که در آن گاهی اوقات یک را می‌خواهید وچیزی دریافت نمی‌کنید.

there's redundancy in the network

افزونگی در شبکه وجود دارد.

that can actually recover the missing information.

که در واقع می‌تواند اطلاعات ازدست رفته را بازیابی کند.

It makes the brain inherently robust.

این مغز به طور ذاتی قوی است.

What you have here is a system where you store data locally.

آنچه اینجا دارید سیستمی است که داده‌ها را به صورت محلی ذخیره می‌کنید.

And it's brittle, because each of these steps has to be flawless,

و شکننده است زیرا هر یک از این مراحل باید بی‌عیب و نقص باشد.

otherwise you lose that data, whereas in the brain, you have a system

در غیر این صورت اطلاعات را از دست می‌دهید، در حالی که در مغز،

that stores data in a distributed way, and it's robust.

سیستمی دارید که داده‌ها را به صورت توزیع شده ذخیره می‌کند و قدرتمند است.

What I want to basically talk about is my dream,

انچه که اساسا می‌خواهم راجع به آن صحبت کنم رویای من است،

which is to build a computer that works like the brain.

که ساختن کامپیوتری است که مانند مغز کار کند.

This is something that we've been working on for the last couple of years.

این چیزی است که طی چند سال گذشته روی آن کار کرده‌ایم.

And I'm going to show you a system that we designed

و قصد دارم به شما سیستمی که برای

to model the retina,

طراحی شبکیه طراحی کرده‌ایم را نشان دهم.

which is a piece of brain that lines the inside of your eyeball.

که قطعه‌ای از مغز است که در داخل چشم قرار دارد.

We didn't do this by actually writing code, like you do in a computer.

ما این کار را با نوشتن کد انجام ندادیم مثل چیزی که شما در کامپیوتر انجام می‌دهید.

In fact, the processing that happens

درحقیقت پردازش‌هایی که در آن قسمت کوچکی

in that little piece of brain is very similar

از مغز اتفاق می‌افتد بسیار شبیه نوع پردازش

to the kind of processing that computers

کامپیوتری است

do when they stream video over the Internet.

که هنگام پخش ویدئو در اینترنت انجام می‌شود.

They want to compress the information --

آنها قصد فشرده سازی اطلاعات را دارند --

they just want to send the changes, what's new in the image, and so on --

آنها فقط می‌خواهند تغییرات را ارسال کنند، آنچه که جدید است در این تصویرو --

and that is how your eyeball

و این است که چشمان شما

is able to squeeze all that information down to your optic nerve,

قادر به گنجاندن تمام اطلاعات به عصب بینایی شما است،

to send to the rest of the brain.

برای ارسال به بقیه مغز.

Instead of doing this in software, or doing those kinds of algorithms,

به جای انجام این کار در نرم افزار یا انجام این نوع الگوریتم‌ها،

we went and talked to neurobiologists

ما رفتیم و با متخصصان نوروفیزیولوژی صحبت کردیم

who have actually reverse engineered that piece of brain that's called the retina.

که در واقع معکوس آن قسمت از مغز را که شبکیه نامیده می‌شود، طراحی کرده‌اند.

And they figured out all the different cells,

و آنها همه سلول‌های مختلف را تشخیص دادند،

and they figured out the network, and we just took that network

‌ شبکه را تشخیص دادند، و ما فقط آن شبکه را گرفتیم

and we used it as the blueprint for the design of a silicon chip.

و از طرح آن برای طراحی یک سیلیکون استفاده کردیم.

So now the neurons are represented by little nodes or circuits on the chip,

پس در حال حاضر نورون‌ها توسط گره‌ها یا مدارهای کوچک روی تراشه نشان داده می‌شوند،

and the connections among the neurons are represented, actually modeled by transistors.

وارتباطات میان نورون‌ها نشان داده، درواقع با ترانزیستورها نمایش داده شده است.

And these transistors are behaving essentially

واین ترانزیستورها اساسا درست مثل رفتار

just like ion channels behave in the brain.

کانال‌های یونی در مغز رفتار می‌کنند.

It will give you the same kind of robust architecture that I described.

این به شما یک نوع از معماری قوی را که من شرح دادم نشان می‌دهد.

Here is actually what our artificial eye looks like.

اینجا درواقع چشمان مصنوعی ما به نظر می‌رسد.

The retina chip that we designed sits behind this lens here.

تراشه شبکیه‌ای که ما طراحی کردیم در پشت این لنز قرار دارد.

And the chip -- I'm going to show you a video

و تراشه -- من می‌خواهم به شما ویدیویی نشان دهم

that the silicon retina put out of its output

که شبکیه سیلیکونی خروجی خود را هنگامی

when it was looking at Kareem Zaghloul,

که به کریم زاقلول نگاه می‌کرده منتشر کرده،

who's the student who designed this chip.

دانش‌آموزی است که این تراشه را طراحی کرده است.

Let me explain what you're going to see, OK,

بگذارید توضیح دهم که چه چیزی را می‌بینید،

because it's putting out different kinds of information,

زیرا اطلاعات مختلفی را در اختیار شما قرار می‌دهد،

it's not as straightforward as a camera.

این به عنوان نگاه مستقیم به دوربین نیست.

The retina chip extracts four different kinds of information.

تراشه شبکیه چهار نوع اطلاعات مختلف را استخراج می‌کند.

It extracts regions with dark contrast,

این مناطق را با تضاد تیره استخراج می‌کند،

which will show up on the video as red.

که در ویدیو به صورت قرمز نشان داده خواهد شد.

And it extracts regions with white or light contrast,

و مناطق را با تضاد سفید یا روشنی استخراج می‌کند،

which will show up on the video as green.

که در ویدیو به صورت سبز نمایش داده خواهد شد.

This is Kareem's dark eyes

اینها چشمان تیره کریم هستند

and that's the white background that you see here.

و این زمینه سفید که در اینجا مشاهده می‌کنید.

And then it also extracts movement.

وسپس آن حرکت را استخراج می‌کند.

When Kareem moves his head to the right,

وقتی کریم سر خود را به راست حرکت می‌دهد،

you will see this blue activity there;

شما این فعالیت آبی را در آنجا خواهید دید.

it represents regions where the contrast is increasing in the image,

آن مناطقی را نشان می‌دهد که در آن تضاد رنگی در تصویر افزایش می‌یابد.

that's where it's going from dark to light.

آن جایی است که از تیرگی به روشنی می‌رود.

And you also see this yellow activity,

و همچنین این فعالیت زرد را می‌بینید،

which represents regions where contrast is decreasing;

که نشان دهنده مناطقی است که تضاد در حال کاهش است؛

it's going from light to dark.

از روشنی به تیرگی می‌رود.

And these four types of information --

و این چهار نوع اطلاعات عصب بینایی شما --

your optic nerve has about a million fibers in it,

حدود یک میلیون الیاف در آن وجود دارد،

and 900,000 of those fibers

و ۹۰۰٫۰۰۰ آن الیاف‌ها

send these four types of information.

این چهار نوع اطلاعات را ارسال می‌کنند.

So we are really duplicating the kind of signals that you have on the optic nerve.

بنابراین ما واقعا نوع سیگنال‌هایی را که شما بر روی عصب بینایی دارید کپی می‌کنیم.

What you notice here is that these snapshots

آنچه در اینجا متوجه شده‌اید این است که این عکس‌های فوری

taken from the output of the retina chip are very sparse, right?

از خروجی تراشه شبکیه بسیار پراکنده هستند. درسته؟

It doesn't light up green everywhere in the background,

این سبز در همه جا در پس زمینه روشن نیست،

only on the edges, and then in the hair, and so on.

فقط در لبه ها وسپس در مو وغیره.

And this is the same thing you see

واین همان چیزی است که می‌بینید

when people compress video to send: they want to make it very sparse,

وقتی مردم ویدیو رابرای ارسال فشرده می‌کنند می‌خواهند آن را بسیار پراکنده کنند،

because that file is smaller. And this is what the retina is doing,

زیرا این فایل کوچکتر است و چیزی است که شبکیه انجام می‌دهد.

and it's doing it just with the circuitry, and how this network of neurons

و آن را فقط با مدار انجام می‌دهد، و چگونه این شبکه اعصاب

that are interacting in there, which we've captured on the chip.

که در آن تعامل دارند که ما در تراشه به دست آوردیم.

But the point that I want to make -- I'll show you up here.

اما نکته‌ای که می‌خواهم اشاره کنم -- من اینجا را نشان می‌دهم.

So this image here is going to look like these ones,

بنابراین این تصویر در اینجا به نظر می‌رسد مانند این یکی باشد،

but here I'll show you that we can reconstruct the image,

اما در اینجا من به شما نشان خواهم داد می‌توانیم تصویر را بازسازی کنیم،

so, you know, you can almost recognize Kareem in that top part there.

خب می‌دانید، می‌توانید تقریبا کریم را در قسمت بالای آن ببینید.

And so, here you go.

وخب این هم از این.

خُب، این یک ایده است.

وقتی هنوز ایستاده‌اید فقط تضاد روشنی وتیرگی را می‌بینید.

اما وقتی به عقب و جلو حرکت می‌کند،

شبکیه این تغییرات را بر می‌دارد.

Yes, so that's the idea.

و می‌دانید چرا هنگامی که در اینجا نشسته‌اید

When you stand still, you just see the light and dark contrasts.

But when it's moving back and forth,

و چیزی در پس زمینه شما اتفاق می‌افتد،

the retina picks up these changes.

شما صرفا چشم خود را به سمتش حرکت می‌دهید.

سلولهایی هستند که تغییر را تشخیص می‌دهند

And that's why, you know, when you're sitting here

and something happens in your background,

و شما توجه خود را به آن منتقل می‌کنید.

you merely move your eyes to it.

بنابراین آنها برای گرفتن کسی که سعی

در دزدیدن شما دارد بسیار مهم هستند.

There are these cells that detect change

اجازه دهید بحثم را با این گذاره تمام کنم که این چیزی است که اتفاق می‌افتد

and you move your attention to it.

So those are very important for catching somebody

زمانی که شما آفریقا را در یک پیانو قرار دهید خب.

who's trying to sneak up on you.

Let me just end by saying that this is what happens

این یک درام استیل است که اصلاح شده است.

when you put Africa in a piano, OK.

این چیزی است که زمانی که شما آفریقا را در پیانو قرار دهید اتفاق می‌افتد.

This is a steel drum here that has been modified,

و آنچه مایلم انجام دهیم این است که آفریقا را در زمره تولید رایانه قرار دهیم،

and that's what happens when you put Africa in a piano.

و با نوع جدیدی از کامپیوتر

And what I would like us to do is put Africa in the computer,

که تفکر، تصور، خلاقیت و چیزهایی مثل آن را شامل شود.

متشکرم.

and come up with a new kind of computer

(تشویق)

that will generate thought, imagination, be creative and things like that.

Thank you.

(Applause)

کریس اندرسون: یه سوال کوابنا.

Chris Anderson: Question for you, Kwabena.

Do you put together in your mind the work you're doing,

آیا کارهایی را انجام می‌دهید که در ذهن دارید،

the future of Africa, this conference --

آینده آفریقا، این همایش --

what connections can we make, if any, between them?

چه ارتباطاتی می‌توانیم بین آنهاایجاد کنیم؟

Kwabena Boahen: Yes, like I said at the beginning,

کوابنا بوهن: بله همانطور که در ابتدا گفتم

I got my first computer when I was a teenager, growing up in Accra.

من اولین رایانه‌ام را در نوجوان در اکرا گرفتم

And I had this gut reaction that this was the wrong way to do it.

و این واکنش احساسی راداشتم که کار اشتباهی بود.

It was very brute force; it was very inelegant.

روش احساس بسیار قدرتمند و ناهنجاری بود.

I don't think that I would've had that reaction,

من فکر نمی‌کنم که این واکنش را داشتم،

if I'd grown up reading all this science fiction,

اگر با خواندن همه تخیلات علمی،

hearing about RD2D2, whatever it was called, and just -- you know,

شنیدن راجع به RD2D2 بزرگ می‌شدم. هرآنچه که نامیده می‌شود و شما می‌دانید،

buying into this hype about computers.

اعتیاد به مواد مخدر در مورد کامپیوترها

I was coming at it from a different perspective,

من از دیدگاه متفاوت به آن رسیدم،

where I was bringing that different perspective

جایی که این دیدگاه متفاوت را به وجود آوردم

to bear on the problem.

تا مشکل را برطرف کنم.

And I think a lot of people in Africa have this different perspective,

و فکر می‌کنم بسیاری از مردم در آفریقا این دیدگاه متفاوت را دارند،

and I think that's going to impact technology.

و فکر می‌کنم این فناوری را تحت‌تاثیر قرار می‌دهد.

And that's going to impact how it's going to evolve.

وآن را تحت تاثیر قرار می‌دهد تا چگونگی تکامل آن را تغییر دهد.

And I think you're going to be able to see, use that infusion,

فکر می‌کنم شما می توانید ببینید،

to come up with new things,

با کمک آن تزریق چیزهای جدیدی می‌آید،

because you're coming from a different perspective.

زیرا شما از زاویه دیگری نگاه می‌کنید.

I think we can contribute. We can dream like everybody else.

فکر می‌کنم می‌توانیم کمک کنیم. می‌توانیم مثل هر کس دیگری آرزو کنیم.

CA: Thanks Kwabena, that was really interesting.

ک ا: ممنونم کوابنا. خیلی جالب بود.

Thank you.

متشکرم.

(Applause)

(تشویق)