Kwabena Boahen: Making a computer that works like the brain

מתרגם: Roy Freifeld מבקר: Sigal Tifferet

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

קיבלתי את המחשב הראשון שלי כשהייתי נער מתבגר באקרה,

and it was a really cool device.

וזה היה מכשיר מאוד מגניב

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

יכולת לשחק איתו משחקים, יכולת לתכנת אותו ב"בייסיק".

And I was fascinated.

והייתי מרותק.

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

אז הלכתי לספריה להבין איך הדבר הזה עובד.

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

קראתי על איך המעבד מתמרן מידע הלוך ושוב כל הזמן

between the memory, the RAM and the ALU,

בין הדיסק, הזיכרון וה ALU,

the arithmetic and logic unit.

יחידת העיבוד המתמטית.

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

וחשבתי לעצמי, המעבד הזה צריך לעבוד כמו משוגע

just to keep all this data moving through the system.

רק בשביל לשמור על כל המידע הזה זורם במערכת.

But nobody was really worried about this.

אבל אף אחד לא היה מודאג מזה.

When computers were first introduced,

כשהמחשבים הוצגו לראשונה,

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

נאמר שהם מהירים פי מיליון מניורונים.

People were really excited. They thought they would soon outstrip

אנשים ממש התרגשו, הם חשבו שהם במהרה יתעלו

the capacity of the brain.

על היכולת של המוח.

This is a quote, actually, from Alan Turing:

זהו ציטוט, למען האמת, של אלן טיורינג:

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

"בעוד 30 שנה, יהיה קל לשאול את המחשב שאלה כמו שקל

as to ask a person."

לשאול אדם.

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

זה היה ב-1946. והיום ב-2007, זה עדיין לא נכון.

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

השאלה היא, למה אנחנו לא רואים

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

במחשבים את אותה העוצמה שאנחנו רואים במוח?

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

מה שאנשים לא הבינו, ואני מתחיל להבין עכשיו,

is that we pay a huge price for the speed

זה שאנחנו משלמים מכיר כבד בשביל המהירות,

that we claim is a big advantage of these computers.

שאנחנו טוענים שהיא היתרון הגדול של המחשבים.

Let's take a look at some numbers.

בואו נסתכל על כמה מספרים.

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

זהו בלו ג'ין (Blue Gene), המחשב המהיר בעולם.

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

יש לו 120,000 מעבדים. הם יכולים בעיקרון לעבד

10 quadrillion bits of information per second.

10 קואדריליון ביטים של מידע בשניה.

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

זה 10 בחזקת 16. והם מכלים חצי מגה וואט של כוח.

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

אז זה היה ממש נפלא אם יכולנו להוסיף את זה

to the production capacity in Tanzania.

ליכולת הייצור של טנזניה.

It would really boost the economy.

זה היה ממש מקפיץ את הכלכלה.

Just to go back to the States,

אם נחזור לארה"ב,

if you translate the amount of power or electricity

אם נתרגם את כמות הכוח או החשמל

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

בהם המחשב הזה משתמש לכמות בתי אב בארה"ב,

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

נקבל 1,200 בתי אב,

That's how much power this computer uses.

זו כמות הכוח שהמחשב הזה צורך.

Now, let's compare this with the brain.

עכשיו, בואו נשווה את זה למוח.

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

זו תמונה למעשה, של המוח של החברה של רורי סיירס.

Rory is a graduate student at Stanford.

רורי הוא סטודנט לתואר מתקדם בסטנפורד.

He studies the brain using MRI, and he claims that

הוא חוקר את המוח באמצעות MRI, והוא טוען

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

שזה המוח הכי יפה שהוא אי פעם סרק.

(Laughter)

(צחוק)

So that's true love, right there.

אז זו אהבת אמת.

Now, how much computation does the brain do?

עכשיו, כמה חישובים המוח עושה?

I estimate 10 to the 16 bits per second,

אני מעריך ש-10 בחזקת 16 ביט לשניה

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

שזה בעצם מאוד דומה למה שבלו ג'ין עושה

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

אז זו השאלה. השאלה היא כמה --

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

הם מבצעים כמות חישובים זהה, כמות מידע זהה --

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

השאלה היא בכמה אנרגיה או חשמל משתמש המוח?

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

ולמען האמת, היא כמו של המחשב הנייד שלכם.

it's just 10 watts.

היא רק 10 וואט.

So what we are doing right now with computers

אז מה שאנחנו עושים עכשיו עם מחשבים,

with the energy consumed by 1,200 houses,

עם אנרגיה זהה לזו של 1,200 בתים,

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

המוח עושה בעזרת האנרגיה של המחשב הנייד שלכם.

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

אז השאלה היא, איך המוח מצליח להגיע ליעילות כזו?

And let me just summarize. So the bottom line:

ותנו לי רק לסכם. אז השורה האחרונה היא:

the brain processes information using 100,000 times less energy

המוח מעבד אינפורמציה בעזרת 100,000 פעמים פחות אנרגיה

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

מאשר טכנולוגית המחשבים שאנחנו משתמשים בה כרגע

How is the brain able to do this?

איך המוח מסוגל לעשות זאת?

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

בואו נסתכל על איך שהמוח עובד,

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

ואז אני אשווה זאת עם איך שמחשבים עובדים.

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

אז הקליפ הזה הוא מרשת PBS, "החיים הסודיים של המוח"

It shows you these cells that process information.

הוא מראה לכם את התאים האלה שמעבדים אינפורמציה

They are called neurons.

הם נקראים נוירונים.

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

הם שולחים פעימות קטנות של חשמל חיבורים אחד לשני,

and where they contact each other, those little pulses

ובחיבור ביניהם, הפעימות הקטנות האלה

of electricity can jump from one neuron to the other.

של חשמל יכולות לקפוץ מנוירון אחד לשני.

That process is called a synapse.

חיבור זה נקרא סינפסה.

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

יש לכם רשת ענקית של תאים המתקשרים אחד עם השני,

about 100 million of them,

בערך 100 מיליון,

sending about 10 quadrillion of these pulses around every second.

שולחים בערך 10 קוואדריליון פעימות בכל שניה.

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

וזה בעיקרון מה שקורה במוח שלכם ברגע זה כשאתם צופים בזה.

How does that compare with the way computers work?

איך זה משתווה לדרך בה מחשבים עובדים?

In the computer, you have all the data

במחשב יש לכם את כל המידע

going through the central processing unit,

עוברים דרך המעבד המרכזי,

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

וכל פיסת מידע בעיקרון צריכה לעבור דרך צוואר הבקבוק הזה.

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

ואילו במוח, מה שיש הם הניורונים האלו

and the data just really flows through a network of connections

והמידע בעצם זורם דרך רשת של קישורים

among the neurons. There's no bottleneck here.

בין הניורונים, אין צוואר בקבוק.

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

זו באמת "עבודת רשת" (network) במלוא מובן המילה.

The net is doing the work in the brain.

הרשת עושה את העבודה.

If you just look at these two pictures,

אם רק תסתכלו על שתי התמונות האלו,

these kind of words pop into your mind.

אלו המילים שקופצות לראש.

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

זה טורי ונוקשה. כמו מכוניות בכביש מהיר --

everything has to happen in lockstep --

הכל צריך לקרות בסדר נוקשה.

whereas this is parallel and it's fluid.

לעומת זאת זה מקבילי וזורם.

Information processing is very dynamic and adaptive.

עיבוד מידע הוא מאוד דינמי וגמיש.

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

אז אני לא הראשון שהבין זאת. זהו ציטוט של בריאן אנו:

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

"הבעיה עם מחשבים היא שאין בהם מספיק אפריקה."

(Laughter)

(צחוק)

Brian actually said this in 1995.

האמת שבריאן אמר את זה ב- 1995.

And nobody was listening then,

ואף אחד לא הקשיב אז,

but now people are beginning to listen

אבל עכשיו אנשים מתחילים להקשיב

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

בגלל שיש מולנו בעיה טכנולוגית לוחצת,

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

ואני רק אסביר לכם את זה קצת בשקופיות הבאות.

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

זה -- זה בעצם שילוב מדהים

between the devices that we use to compute in computers,

בין הכלי שאנחנו משתמשים בו לחשב במחשבים,

and the devices that our brains use to compute.

לבין הכלי שהמוח שלנו משתמש בו לחשב.

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

הכלי שהמחשבים משתמשים בו נקרא טרנזיסטור.

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

האלקטרודה הזאת, נקראת שער, שולטת בזרם החשמלי

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

מהמקור לשפך, שתי האלקטרודות האלה.

And that current, electrical current,

והזרם הזה, זרם חשמלי,

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

נישא על ידי אלקטרונים, בדיוק כמו אצלכם בבית.

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

ומה שיש לכם פה, כשאתם פותחים את השער,

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

אתם מקבלים עליה בכמות הזרם, ואתם מקבלים זרם קבוע.

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

וכשאתם סוגרים את השער, אין כלל זרם במכשיר.

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

המחשב שלכם משתמש בנוכחות הזרם כדי לייצג אחד,

and the absence of current to represent a zero.

ואת היעדר הזרם כדי לייצג אפס.

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

עכשיו, מה שקורה זה שככל שהטרנזיסטורים קטנים וקטנים,

they no longer behave like this.

הם כבר לא מתנהגים ככה.

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

בעצם, הם מתחילים להתנהג כמו הכלים בהם הנוירונים משתמשים כדי לחשב,

which is called an ion channel.

שנקראים תעלות יונים.

And this is a little protein molecule.

וזו מולקולת חלבון קטנה.

I mean, neurons have thousands of these.

אני מתכוון, לנוירונים יש כאלה באלפים.

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

וזה יושב בממברנה של התא ויש בו נקבובית.

And these are individual potassium ions

ואלו יוני אשלגן בודדים,

that are flowing through that pore.

שזורמים דרך הנקבובית.

Now, this pore can open and close.

עכשיו, הנקבובית הזו יכולה להיסגר ולהיפתח.

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

אבל, כשהיא פתוחה, בגלל שהיונים האלו צריכים להסתדר בשורה

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

ולזרום אחד אחד, אתם מקבלים אי סדר, חוסר יציבות -

it's a sporadic flow of current.

זרימת חשמל לא סדירה.

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

וגם כשאתם סוגרים את הנקבובית -- מה שהנוירונים יכולים לעשות,

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

הם יכולים לסגור ולפתוח את הנקבוביות האלה כדי לייצר פעילות חשמלית --

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

גם כשזה סגור, בגלל שהיונים האלו כל כך קטנים,

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

הם יכולים להתגנב פנימה, כמה יכולים להתגנב פנימה כל פעם.

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

אז כשהנקבובית פתוחה,

you get some current sometimes.

אתם מקבלים קצת זרם מדי פעם.

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

אלה האחדים שלכם, אבל אתם מקבלים כמה אפסים בכל זאת.

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

וכשזה סגור, אתם מקבלים אפס,

but you have a few ones thrown in.

אבל אתם מקבלים קצת אחדים, אוקי.

Now, this is starting to happen in transistors.

עכשיו, זה מתחיל לקרות בטרנזיסטורים.

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

והסיבה שהדבר הזה קורה, היא שעכשיו בשנת 2007,

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

הטכנולוגיה בה אנחנו משתמשים, הטרנזיסטור גדול מספיק

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

שכמה אלקטרונים יכולים לזרום דרך התעלה בו זמנית, אחד לצד השני.

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

למעשה, יש בערך 12 אלקטרונים שיכולים לזרום בכיוון זה.

And that means that a transistor corresponds

וזה אומר שהטרנזיסטור מתאים

to about 12 ion channels in parallel.

לבערך 12 ערוצי יונים במקביל.

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

עכשיו, בעוד כמה שנים, עד 2015, אנחנו נכווץ את הטרנזיסטורים כל כך.

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

זה מה שאינטל עושה כדי להמשיך להוסיף ליבות על השבב,

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

או כרטיסי הזיכרון שיש לכם עכשיו שיכולים לאחסן ג'יגה בייט אחד

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

של נתונים עליהם -- לפני שזה היה 256.

Transistors are getting smaller to allow this to happen,

טרנסיזטורים נעשים קטנים יותר, ומאפשרים לזה לקרות,

and technology has really benefitted from that.

והטכנולוגיה ממש הרוויחה מזה.

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

אבל מה שקורה עכשיו זה שעד 2015, הטרנזיסטורים עומדים להיות כל כך קטנים,

that it corresponds to only one electron at a time

שהם יתאימו לאלקטרון אחד בלבד בכל זמן

can flow through that channel,

שזורם דרך התעלה,

and that corresponds to a single ion channel.

וזה מתאים לתעלת יונים אחת.

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

ואתם מתחילים לקבל את אותם פקקי תנועה שיש לכם בתעלות היונים,

The current will turn on and off at random,

הזרם ידלק ויכבה רנדומלית

even when it's supposed to be on.

אפילו כשהוא אמור להיות דולק.

And that means your computer is going to get

וזה אומר שהמחשב שלכם הולך לקבל

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

בלבול של אחדים ואפסים, וזה הולך לגרום למכונה שלכם לקרוס.

So, we are at the stage where we

אז, אנחנו בשלב בו אנחנו

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

לא באמת יודעים לחשב עם כלים מסוג כזה.

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

והסוג היחיד, הדבר שאנחנו מכירים כרגע,

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

שיודע לחשב בעזרת כלים כאלה, הוא המוח.

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

אוקי, אז מחשב שולך פיסת מידע מסויימת מהזיכרון,

it sends it into the processor or the ALU,

הוא שולח את זה למעבד או ל ALU,

and then it puts the result back into memory.

ואז הוא מכניס את התוצאות חזרה לזיכרון.

That's the red path that's highlighted.

זה הנתיב האדום המודגש.

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

הדרך בה מוחות פועלים, יש לכם את כל הניורונים האלה.

And the way they represent information is

והדרך בה הם מייצגים מידע הוא

they break up that data into little pieces

שהם מפרקים את המידע לחתיכות קטנות

that are represented by pulses and different neurons.

שמיוצגות על ידי פולסים וניורונים שונים.

So you have all these pieces of data

אז יש לכם את כל פיסות המידע הזה

distributed throughout the network.

מפוזרות בכל ברשת.

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

ואז הדרך שאתם מעבדים מידע כדי לקבל תוצאה

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

היא שאתם מתרגמים את התבנית הזו של פעילות לתבנית חדשה של פעילות,

just by it flowing through the network.

רק על ידי כך שהיא זורמת ברשת.

So you set up these connections

אז אתם מייצרים את הקשרים האלה,

such that the input pattern just flows

כך שהמידע הניכנס רק זורם

and generates the output pattern.

ויוצר את תבנית היציאה.

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

מה שאתם רואים כאן זה שיש את הקשרים העודפים.

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

כך שאם פיסת מידע זו או פיסת מידע זו נעלמת

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

היא לא מופיעה כאן, שתי פיסות אלה יכולות לשחזר את החלק החסר

with these redundant connections.

בעזרת הקשרים העודפים.

So even when you go to these crappy devices

אז גם אם אתם הולכים לכלים הדפוקים האלה

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

בהם אתם לפעמים רוצים אחד ומקבלים אפס,

there's redundancy in the network

יש עודפים במערכת

that can actually recover the missing information.

שיכולים לשחזר את המידע החסר.

It makes the brain inherently robust.

זה עושה את המוח חסין מטבעו.

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

מה שיש לכם פה היא מערכת בה אתם מאחסנים מידע מקומי.

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

והיא שברירית, כי כל אחד מהשלבים צריך להיות מושלם,

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

אחרת אתם מאבדים את המידע. לעומת זאת במוח, יש לכם מערכת

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

שמאכסנת מידע בצורה מפוזרת, והיא חסינה.

What I want to basically talk about is my dream,

מה שאני רוצה בעצם לדבר עליו הוא החלום שלי,

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

שהוא לבנות מחשב שעובד כמו המוח.

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

זה משהו שאנחנו עובדים עליו במשך השנתיים האחרונות.

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

ואני עומד להראות לכם מערכת שתיכננו

to model the retina,

למדל את הרשתית,

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

שהיא חלק מהמוח שמכסה את פנים גלגל העין.

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

לא עשינו זאת בעזרת כתיבת קוד, כמו שאתם עושים במחשב.

In fact, the processing that happens

למעשה, התהליך שמתרחש

in that little piece of brain is very similar

בחלק המוח הקטן הזה מאוד דומה

to the kind of processing that computers

לסוג החישובים שעושים מחשבים

do when they stream video over the Internet.

כשהם שולחים וידאו דרך האינטרנט.

They want to compress the information --

הם רוצים לכווץ את המידע --

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

הם רק רוצים לשלוח את השינויים המתחדשים בתמונה וכך הלאה --

and that is how your eyeball

וככה גלגל העין שלכם

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

מסוגל לכווץ את כל האינפורמציה הזאת אל עצב הראייה,

to send to the rest of the brain.

כדי לשלוח אותה אל שאר המוח.

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

במקום לעשות זאת בעזרת תוכנה, או לעשות את הסוגים האלה של אלגוריתמים,

we went and talked to neurobiologists

הלכנו ודיברנו עם נוירו-ביולוגים

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

שבעצם ביצעו הנדסה הפוכה לחלק הזה של המוח שנקרא רשתית.

And they figured out all the different cells,

והפ פיענחו את כל התאים השונים,

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

והם פיענחו את הרשת, ואנחנו פשוט לקחנו את הרשת הזאת

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

והשתמשנו בה כתשתית לעיצוב של שבב סיליקון.

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

אז עכשיו הנוירונים מיוצגים על ידי צמתים או מעגלים על השבב,

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

והקישורים בין הנוירונים בעצם ממודלים על ידי טרנזיסטורים

And these transistors are behaving essentially

והטרנזיסטורים האלה מתנהגים בעצם

just like ion channels behave in the brain.

בדיוק כמו שתעלות היונים מתנהגות במוח.

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

זה יתן לכם בדיוק את אותו סוג של ארכיטקטורה חסינה שתיארתי.

Here is actually what our artificial eye looks like.

כך למעשה נראית העין המלאכותית שלנו.

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

שבב הרשתית שעיצבנו יושב מאחורי העדשה הזו פה.

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

והשבב -- אני עומד להראות לכם וידאו

that the silicon retina put out of its output

שרשתית הסיליקון הוציאה בפלט

when it was looking at Kareem Zaghloul,

כשהיא הסתכלה על קארים זאגול,

who's the student who designed this chip.

שהוא הסטודנט שעיצב את השבב הזה.

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

תנו לי להסביר מה אתם עובדים לראות, אוקי.

because it's putting out different kinds of information,

כי זה מוציא סוגים שונים של מידע,

it's not as straightforward as a camera.

זה לא ישיר כמו מצלמה.

The retina chip extracts four different kinds of information.

שבב רשתית מחלץ ארבע סוגים של מידע.

It extracts regions with dark contrast,

הוא מחלץ אזורים עם ניגודיות כהה,

which will show up on the video as red.

שיופיעו על הוידאו באדום.

And it extracts regions with white or light contrast,

והוא מחלץ אזורים לבנים או בעלי ניגודיות בהירה,

which will show up on the video as green.

שיופיעו בוידאו בירוק.

This is Kareem's dark eyes

אלו הן העיניים הכהות של קארים

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

וזה הרקע הלבן שאתם רואים כאן.

And then it also extracts movement.

ואז הוא גם מחלץ תנועה.

When Kareem moves his head to the right,

כשקארים מזיז את ראשו לימין,

you will see this blue activity there;

אתם תראו את הפעילות הכחולה פה,

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

זה מייצג אזורים בהם הניגודיות גדלה בתמונה,

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

זה היכן שזה משתנה מכהה לבהיר.

And you also see this yellow activity,

ואתם גם רואים את הפעילות הצהובה הזאת,

which represents regions where contrast is decreasing;

שמייצגת אזורים בהם הניגודיות קטנה,

it's going from light to dark.

זה משתנה מבהיר לכהה.

And these four types of information --

וארבעה סוגי מידע אלה --

your optic nerve has about a million fibers in it,

בעצב הראייה שלכם יש בערך מיליון סיבים,

and 900,000 of those fibers

ו-900,000 מתוך הסיבים האלה

send these four types of information.

שולחים את ארבע הסוגים האלה של אינפורמציה.

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

אז אנחנו למעשה משכפלים את האותות שיש לכם בעצב הראיה.

What you notice here is that these snapshots

מה שאתם שמים אליו לב כאן הוא שהתמונות

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

שנלקחו מהפלט של שבב הרשתית הן מאוד דלילות.

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

זה לא צבוע בירוק בכל מקום ברקע,

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

אלא רק בקצוות, וכך הלאה.

And this is the same thing you see

וזה אותו הדבר שאתם רואים

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

כשאנשים מכווצים וידאו לשליחה: הם רוצים לעשות אות זה מאוד דליל,

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

כיוון שהקובץ הזה קטן יותר. וזה מה שהרשתית עושה,

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

והיא עושה זאת רק באמצעות המעגלים, ואיך שהרשת הזאת של ניורונים

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

שמתקשרים שם בפנים, שאנחנו תפסנו על השבב.

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

אבל הנקודה שאני רוצה להעביר, אני אראה לכם כאן למעלה.

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

אז התמונה הזו כאן עומדת להיראות כמו אלה,

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

אבל כאן אני אראה לכם שאנחנו יכולים להרכיב מחדש את התמונה,

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

אז, אתם יודעים, אתם כמעט יכולים לזהות את קארים בחלק העליון הזה שם.

And so, here you go.

הנה.

Yes, so that's the idea.

כן, אז זה הרעיון.

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

כשאתם לא זזים, אתם רק רואים את הניגודיות הכהה והבהירה.

But when it's moving back and forth,

אבל כשאתם זזים הלוך ושוב,

the retina picks up these changes.

הרשתית קולטת את השינויים האלה.

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

וזו הסיבה, אתם יודעים, כשאתם יושבים כאן

and something happens in your background,

ומשהו קורה ברקע שלכם,

you merely move your eyes to it.

אתם רק מזיזים את העיניים אליו.

There are these cells that detect change

יש את התאים האלה שמזהים שינויים

and you move your attention to it.

ואתם מסיטים את תשומת הלב שלכם לזה.

So those are very important for catching somebody

אז אלו מאוד חשובים בשביל לתפוס מישהו

who's trying to sneak up on you.

שמנסה להתגנב מאחוריכם.

Let me just end by saying that this is what happens

תנו לי רק לסיים ולהגיד לכם שזה מה שקורה

when you put Africa in a piano, OK.

כשאתה מכניס את אפריקה לפסנתר, אוקי.

This is a steel drum here that has been modified,

זהו תוף ברזל כאן שעבר שינוי,

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

וזה מה שקורה כשאתה מכניס את אפריקה לפסנתר.

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

ומה שאני הייתי רוצה שנעשה, זה להכניס את אפריקה למחשב,

and come up with a new kind of computer

ולהמציא סוג חדש של מחשב

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

שייצר מחשבות, דמיון, יצירתיות ודברים כאלה.

Thank you.

תודה.

(Applause)

(מחיאות כפיים)

Chris Anderson: Question for you, Kwabena.

כריס אנדרסון: שאלה אלייך, קוואבנה.

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

האם אתה מחבר בדמיונך את העבודה שאתה עושה,

the future of Africa, this conference --

העתיד של אפריקה, הכנס הזה --

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

איזה קישורים אנחנו יכולים לעשות, אם בכלל, ביניהם?

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

קוואבנה בואהן: כן. כמו שאמרתי בהתחלה.

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

קיבלתי את המחשב הראשון שלי כשהייתי נער מתבגר באקרה.

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

והייתה לי תחושת בטן שזו לא הדרך הנכונה לעשות זאת.

It was very brute force; it was very inelegant.

זה היה מאוד כוחני, זה היה מאוד לא אלגנטי.

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

אני לא חושב שהיתה לי התגובה הזאת,

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

אם הייתי גדל בקריאת כל המדע הבדיוני הזה,

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

שומע על RD2D2, איך שלא קראו לזה, ורק -- אתה יודע,

buying into this hype about computers.

נשאב לתוך ההגזמה הזאת על מחשבים.

I was coming at it from a different perspective,

אני הסתכלתי על זה מפרספקטיבה אחרת,

where I was bringing that different perspective

והבאתי את הפרספקטיבה האחרת הזאת

to bear on the problem.

להתבוננות על הבעיה.

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

ואני חושב שלהרבה אנשים באפריקה יש את הפרספקטיבה האחרת הזאת,

and I think that's going to impact technology.

ואני חושב שזה הולך להשפיע על הטכנולוגיה.

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

וזה הולך להשפיע על צורת ההתפתחות שלה.

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

ואני חושב שאתם תוכלו לראות, להשתמש בהיתוך הזה,

to come up with new things,

כדי להמציא דברים חדשים,

because you're coming from a different perspective.

כי אתם מגיעים מפרספקטיבה אחרת.

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

אני חושב שאנחנו יכולים לתרום, אנחנו יכולים לחלום כמו כל אחד אחר.

CA: Thanks Kwabena, that was really interesting.

כריס אנדרסון: תודה קוואבנה, זה היה מאוד מעניין.

Thank you.

תודה לך.

(Applause)

(מחיאות כפיים)