Kwabena Boahen: Making a computer that works like the brain

Квабена Боахен рассказывает о компьютере, который работает по принципу мозга

Переводчик: Vlasov Alex Редактор: Aliaksandr Autayeu

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

Я получил свой первый компьютер, когда был ещё подростком и жил в Аккре,

and it was a really cool device.

и это была реально крутая машина.

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

На нем можно было играть в компьютерные игры, можно было программировать на Бейсике.

And I was fascinated.

Я был просто очарован.

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

И пошёл в библиотеку, чтобы выяснить, как эта штука работает.

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

Я прочёл о том, как центральный процессор постоянно пересылает туда-обратно данные,

between the memory, the RAM and the ALU,

которыми обмениваются память, ОЗУ и АЛУ,

the arithmetic and logic unit.

арифметическо-логическое устройство.

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

И я подумал про себя, что этот ЦП должен работать просто как сумасшедший только для того,

just to keep all this data moving through the system.

чтобы поддерживать передачу по системе всех этих данных.

But nobody was really worried about this.

Но никого это особо не волновало.

When computers were first introduced,

Когда компьютеры впервые появились, было сказано,

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

что они функционируют в миллион раз быстрее, чем нейроны.

People were really excited. They thought they would soon outstrip

И люди были полны энтузиазма, они думали,

the capacity of the brain.

что вскоре смогут превзойти возможности человеческого мозга.

This is a quote, actually, from Alan Turing:

Вот подлинная цитата из Алана Тюринга:

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

«Через 30 лет задать вопрос компьютеру будет так же просто,

as to ask a person."

как задать вопрос человеку».

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

Это было сказано в 1946 году. И сейчас, в 2007, это всё ещё не так.

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

Вопрос состоит в том, почему мы не получаем

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

от компьютеров той производительности, которую демонстрирует мозг?

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

Чего люди не осознавали, и что я сам начинаю понимать только сейчас,

is that we pay a huge price for the speed

так это то, что мы платим огромную цену за эту скорость,

that we claim is a big advantage of these computers.

которую мы декларировали как огромное преимущество компьютеров.

Let's take a look at some numbers.

Давайте взглянем на некоторые цифры.

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

Это Blue Gene, самый быстрый компьютер в мире.

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

Он содержит 120 000 процессоров, которые в штатном режиме могут обрабатывать

10 quadrillion bits of information per second.

10 квадриллионов бит информации в секунду.

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

Это 10 в 16-й степени. И они потребляют мощность в полтора мегаватта.

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

Было бы просто великолепно, если бы мы могли увеличить на этот объем

to the production capacity in Tanzania.

производство электроэнергии в Танзании.

It would really boost the economy.

Это был бы просто экономический взрыв.

Just to go back to the States,

Если вернуться к Соединённым Штатам,

if you translate the amount of power or electricity

и перевести количество электрической энергии,

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

которое потребляет этот компьютер, в количество домохозяйств в Штатах,

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

мы получим 1 200 домохозяйств в США.

That's how much power this computer uses.

Именно такое количество электроэнергии потребляет этот компьютер.

Now, let's compare this with the brain.

Теперь давайте сравним это с мозгом.

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

Вот изображение мозга девушки Рори Сэйреса.

Rory is a graduate student at Stanford.

Рори — аспирант в Стэнфорде.

He studies the brain using MRI, and he claims that

Он изучает мозг при помощи МРТ, и он утверждает,

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

что это самый красивый мозг, который ему когда-либо приходилось сканировать.

(Laughter)

(Смех)

So that's true love, right there.

Вот что значит подлинная любовь.

Now, how much computation does the brain do?

Итак, какой объем вычислений выполняет мозг?

I estimate 10 to the 16 bits per second,

Я оцениваю эту величину в 10 в 16-й степени бит в секунду,

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

что примерно соответствует производительности Blue Gene.

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

И вот — вопрос. Вопрос состоит в том, сколько —

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

они выполняют аналогичный объем обработки, одинаковый объем данных —

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

вопрос состоит в том, сколько электрической энергии потребляет мозг?

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

Реально — столько же, сколько ваш портативный компьютер:

it's just 10 watts.

всего лишь 10 ватт.

So what we are doing right now with computers

Итак, те задачи, которые мы сейчас решаем при помощи компьютеров,

with the energy consumed by 1,200 houses,

потребляющих энергию, которой хватило бы на 1 200 домов,

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

мозг решает, используя количество энергии, потребляемое вашим ноутбуком.

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

Вопрос состоит в том, как мозгу удаётся достичь такого уровня производительности?

And let me just summarize. So the bottom line:

Давайте подведём итог. Нижняя кривая:

the brain processes information using 100,000 times less energy

мозг обрабатывает информацию, используя в 100 000 раз меньше энергии,

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

чем мы с имеющимися компьютерными технологиями.

How is the brain able to do this?

Как мозгу удаётся добиться такого результата?

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

Давайте рассмотрим кратко, как функционирует мозг,

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

а затем сравним это с тем, как работает компьютер.

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

Это клип взят из сериала PBS «Тайная жизнь мозга».

It shows you these cells that process information.

В нем показаны клетки, которые выполняют обработку информации.

They are called neurons.

Они называются нейронами.

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

Через отростки они посылают друг другу слабые электрические импульсы,

and where they contact each other, those little pulses

и там, где отростки соприкасаются друг с другом, эти слабые импульсы

of electricity can jump from one neuron to the other.

электричества могут перейти от одного нейрона к другому.

That process is called a synapse.

Этот процесс называется синапс.

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

У вас есть эта огромная сеть взаимодействующих друг с другом клеток,

about 100 million of them,

их примерно 100 миллионов,

sending about 10 quadrillion of these pulses around every second.

которые посылают 10 квадриллионов таких импульсов каждую секунду.

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

И это, в сущности, то, что происходит в вашем мозгу сейчас, когда вы слушаете эту лекцию.

How does that compare with the way computers work?

Как это соотносится с тем, как работает компьютер?

In the computer, you have all the data

В компьютере все данные

going through the central processing unit,

проходят через центральный процессор, поэтому любая часть данных

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

изначально вынуждена пройти через это «бутылочное горлышко».

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

В то же время, в мозгу есть только эти нейроны

and the data just really flows through a network of connections

и поток данных просто проходит через сеть, образованную связями

among the neurons. There's no bottleneck here.

между нейронами, поэтому здесь просто нет узкого места.

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

Это действительно сеть в буквальном смысле этого слова.

The net is doing the work in the brain.

Эта сеть и выполняет всю работу мозга.

If you just look at these two pictures,

Если вы просто посмотрите на эти две картинки,

these kind of words pop into your mind.

вам на ум придут именно такие слова.

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

Это — последовательная передача данных и такая система не гибкая: как движение машин на автостраде —

everything has to happen in lockstep --

всё происходит в строго установленном порядке.

whereas this is parallel and it's fluid.

Тогда как это — система параллельной передачи и она напоминает поток.

Information processing is very dynamic and adaptive.

Обработка информации очень динамичная и адаптивная.

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

И я не первый, кто понял это. Вот цитата из Брайана Эно:

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

«Проблема компьютеров состоит в том, что в них недостаточно Африки».

(Laughter)

(Смех)

Brian actually said this in 1995.

Брайан сказал это в 1995 году.

And nobody was listening then,

Тогда его никто не слушал,

but now people are beginning to listen

но сейчас люди начинают прислушиваться к его словам,

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

потому что появилась необходимость, мы столкнулись с технологической проблемой.

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

Я немного познакомлю вас с ней в нескольких следующих слайдах.

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

Проблема в этом — действительно прослеживается заметное сходство между устройствами,

between the devices that we use to compute in computers,

которые мы используем для выполнения вычислений в компьютерах,

and the devices that our brains use to compute.

и теми элементами, которые используются для этой цели мозгом.

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

В компьютерах используется то, что называется транзистором.

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

Вот этот электрод, называемый затвором, контролирует протекание тока

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

от истока к стоку, вот эти два электрода.

And that current, electrical current,

И этот поток, электрический ток, переносится электронами,

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

точно так же, как у вас дома, ну и всё такое.

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

А в нашем случае происходит так: когда вы открываете затвор,

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

ток увеличивается, и вы получаете устойчивое протекание тока.

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

А когда вы закрываете затвор, ток через устройство не протекает.

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

В компьютере наличие тока используется для обозначения единицы,

and the absence of current to represent a zero.

а его отсутствие — для обозначения нуля.

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

Сейчас же происходит вот что: транзисторы становятся меньше и меньше и меньше,

they no longer behave like this.

и они уже не ведут себя подобным образом.

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

Фактически, они начинают вести себя так же, как элемент, который нейроны используют для вычислений,

which is called an ion channel.

он называется ионный канал.

And this is a little protein molecule.

Вот маленькая молекула протеина.

I mean, neurons have thousands of these.

Я хотел сказать, в нейронах их тысячи.

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

Она находится в клеточной мембране и в ней есть по́ра.

And these are individual potassium ions

А вот это — отдельные ионы калия,

that are flowing through that pore.

которые проходят через это отверстие.

Now, this pore can open and close.

Так вот, эта по́ра может открываться и закрываться.

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

Но, когда она открыта, поскольку ионы вынуждены выстроиться в очередь и проходить по одному,

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

мы получим нечто вроде спорадичного, а не постоянного потока —

it's a sporadic flow of current.

это спорадичное протекание электрического тока.

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

А если закрыть это отверстие — нейроны могут делать это,

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

они могут открывать и закрывать эти поры, чтобы генерировать электрическую активность —

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

даже если отверстие закрыто, поскольку ионы крайне малы,

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

они могут «пробраться» внутрь, за один раз могут пройти несколько штук.

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

В итоге мы имеем следующее: когда по́ра открыта,

you get some current sometimes.

время от времени проходит некоторый ток.

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

Вот наша единица, но в неё попали несколько нулей.

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

А когда по́ра закрыта, мы получаем ноль,

but you have a few ones thrown in.

но в него попали несколько единиц, ну, ладно.

Now, this is starting to happen in transistors.

Сейчас этот эффект начинает наблюдаться и в транзисторах.

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

И причина, по которой это происходит, состоит в том, что сейчас, в 2007 году,

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

по технологии, которую мы используем, транзистор достаточно большой,

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

чтобы несколько электронов могли пройти сквозь канал одновременно, рядом.

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

Фактически, таким способом могут пройти примерно 12 электронов.

And that means that a transistor corresponds

И это означает, что транзистор соответствует

to about 12 ion channels in parallel.

примерно 12 ионным каналам, расположенным параллельно.

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

Но через несколько лет, к 2015 году, мы существенно уменьшим размеры транзистора.

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

Именно это делает компания Intel, чтобы постоянно увеличивать число ядер в чипе.

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

Стоящие у вас микросхемы памяти могут хранить один гигабайт данных —

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

раньше это было 256 мегабайт.

Transistors are getting smaller to allow this to happen,

Чтобы получить такой результат транзисторы делаются всё меньше,

and technology has really benefitted from that.

и это дало существенные технологические преимущества.

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

Но сейчас всё идёт к тому, что в 2015 году транзистор станет настолько маленьким,

that it corresponds to only one electron at a time

что за один раз всего один электрон

can flow through that channel,

сможет пройти через канал,

and that corresponds to a single ion channel.

а это соответствует единичному ионному каналу.

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

И появятся те же заторы, которые наблюдаются в ионном канале,

The current will turn on and off at random,

ток будет появляться и исчезать случайным образом,

even when it's supposed to be on.

даже тогда, когда он должен быть постоянным.

And that means your computer is going to get

А это означает, что ваш компьютер будет получать

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

нули и единицы вперемешку, и вашей машине придёт конец.

So, we are at the stage where we

Итак, мы сейчас находимся на той стадии, когда мы на самом деле не знаем,

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

как выполнять вычисления при помощи подобных устройств.

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

И единственный тип, единственное устройство, известное в настоящее время,

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

которое может выполнять вычисления при помощи подобных элементов, это — мозг.

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

Итак, компьютер извлекает определённую единицу данных из памяти

it sends it into the processor or the ALU,

и пересылает её в процессор или АЛУ,

and then it puts the result back into memory.

а затем записывает результат обратно в память.

That's the red path that's highlighted.

Это обозначенные красным, выделенные связи.

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

При работе мозга задействованы все эти нейроны.

And the way they represent information is

И способ представления информации таков:

they break up that data into little pieces

все данные разбиваются на небольшие элементы,

that are represented by pulses and different neurons.

которые представляются в виде импульсов на разных нейронах.

So you have all these pieces of data

Таким образом, все эти элементы данных оказываются

distributed throughout the network.

распределёнными по сети.

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

И далее способ обработки данных для получения результата таков:

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

эта картина активности трансформируется в новую картину активности

just by it flowing through the network.

просто в процессе прохождения по сети.

So you set up these connections

Итак, вы просто устанавливаете эти связи

such that the input pattern just flows

таким образом, что некая исходная структура проходит по ним

and generates the output pattern.

и в результате получаем новую, конечную структуру.

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

Вы здесь видите, что есть избыточные соединения.

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

Поэтому, если эта часть данных или эта часть данных будет повреждена,

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

это не проявится здесь, эти два участка могут активировать недостающую часть

with these redundant connections.

вот этими избыточными связями.

So even when you go to these crappy devices

Поэтому, даже если мы имеем дело с этими паршивыми элементами,

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

в которых время от времени получаем ноль вместо единицы,

there's redundancy in the network

в сети имеется избыточность,

that can actually recover the missing information.

которая позволяет восстановить недостающую информацию.

It makes the brain inherently robust.

Это делает работу мозга изначально надёжной.

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

Здесь мы имеем систему, в которой данные хранятся локально.

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

И она ненадёжна, поскольку должна безупречно функционировать на каждом этапе,

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

иначе данные будут потеряны. В то же время мозг представляет собой систему,

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

в которой данные хранятся распределённо, и это — надёжная система.

What I want to basically talk about is my dream,

Главное, о чем я хотел рассказать, это моя мечта создать компьютер,

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

который работает по принципу мозга.

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

Это то, над чем мы работаем последние несколько лет.

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

И я хочу показать вам систему,

to model the retina,

которую мы создали для моделирования сетчатки глаза.

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

Это — часть мозга, расположенная сразу за внутренней частью глазного яблока.

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

Для этого мы не писали программ, как это обычно делается при работе на компьютере.

In fact, the processing that happens

Фактически процессы, которые протекают

in that little piece of brain is very similar

в этом небольшом участке мозга,

to the kind of processing that computers

очень напоминают процессы, протекающие в компьютерах

do when they stream video over the Internet.

при пересылке видео по Internet.

They want to compress the information --

Они стремятся сжать информацию —

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

стремятся передавать только изменения, только новую часть изображения —

and that is how your eyeball

и именно таким образом глазному яблоку

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

удаётся «втиснуть» всю информацию в зрительный нерв

to send to the rest of the brain.

для пересылки её в другие участки мозга.

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

Вместо того, чтобы писать программы или разрабатывать соответствующие алгоритмы,

we went and talked to neurobiologists

мы отправились на беседу к нейробиологам,

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

которые фактически в обратном порядке спроектировали модель этого участка мозга, называемого сетчаткой.

And they figured out all the different cells,

Они изучили все разнообразные типы клеток,

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

они изучили структуру нейронной сети, а мы просто взяли эту сеть

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

и использовали её как схему для создания силиконового чипа.

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

В этом чипе нейроны представлены небольшими узлами или цепями,

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

а связи между нейронами моделируются транзисторами.

And these transistors are behaving essentially

И эти транзисторы ведут себя практически так же,

just like ion channels behave in the brain.

как ионные каналы в мозгу.

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

Я покажу вам такую же надёжную архитектуру, как та, что я описывал.

Here is actually what our artificial eye looks like.

Вот как реально выглядит наш искусственный глаз.

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

Созданный нами моделирующий сетчатку чип установлен позади этой линзы.

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

И этот чип — я покажу вам видео,

that the silicon retina put out of its output

в котором было заснято изображение, полученное на силиконовой сетчатке

when it was looking at Kareem Zaghloul,

в то время, когда чип «рассматривал» Карима Заглоу,

who's the student who designed this chip.

студента, который его сконструировал.

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

Позвольте, я объясню вам, что вы сейчас увидите. Хорошо?

because it's putting out different kinds of information,

Поскольку чип выдаёт информацию разного рода,

it's not as straightforward as a camera.

он не настолько прямолинеен, как камера.

The retina chip extracts four different kinds of information.

Чип, моделирующий сетчатку, выделяет четыре различных типа информации.

It extracts regions with dark contrast,

Он выделяет области с тёмной контрастностью,

which will show up on the video as red.

которые на видео показаны красным цветом.

And it extracts regions with white or light contrast,

И он выделяет области с белой или светлой контрастностью,

which will show up on the video as green.

которые на видео показаны зелёным цветом.

This is Kareem's dark eyes

Вот — тёмные глаза Карима,

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

а вот — светлый фон, который вы видите здесь.

And then it also extracts movement.

А затем он также выделяет движение.

When Kareem moves his head to the right,

Когда Карим двигает головой вправо,

you will see this blue activity there;

вы видите активизацию синего цвета,

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

он представляет области изображения, в которых контрастность увеличивается,

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

где есть переход от тёмного к светлому.

And you also see this yellow activity,

И вы также видите это увеличение активности жёлтого цвета,

which represents regions where contrast is decreasing;

он представляет области, в которых контрастность уменьшается,

it's going from light to dark.

переходит от высокой к низкой.

And these four types of information --

И эти четыре типа информации —

your optic nerve has about a million fibers in it,

ваш зрительный нерв содержит около миллиона волокон,

and 900,000 of those fibers

и 900 000 из этих волокон

send these four types of information.

передают эти четыре вида информации.

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

Таким образом, мы действительно дублируем типы сигналов, которые поступают на зрительный нерв.

What you notice here is that these snapshots

Здесь явно заметно, что эти снимки,

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

сделанные на выходе моделирующего сетчатку чипа, весьма разреженные.

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

Зелёный цвет не заполняет полностью весь фон,

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

а расположен только по контуру и т.д.

And this is the same thing you see

То же самое вы увидите и в том случае,

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

когда люди сжимают видео для пересылки: они стараются сделать его очень разреженным,

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

поскольку такой файл занимает меньше места. И именно это делает сетчатка,

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

и она проделывает это с помощью одной лишь своей структуры, как эта сеть нейронов,

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

взаимодействующих на этом участке, которую мы повторили в нашем чипе.

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

Но главное, что я хотел доказать, я продемонстрирую вам сейчас.

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

Итак, вот это изображение скоро будет выглядеть так же, как и эти,

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

но здесь я покажу вам, что мы можем реконструировать изображение,

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

вот, вы видите, уже почти можно узнать Карима на этом верхнем участке.

And so, here you go.

Вот, получилось.

Yes, so that's the idea.

Да, и в этом идея.

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

Когда вы стоите неподвижно вы видите только светлые и тёмные контрасты.

But when it's moving back and forth,

Но когда есть движение взад и вперёд,

the retina picks up these changes.

сетчатка воспринимает эти изменения.

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

И именно поэтому, вы знаете, когда вы здесь сидите

and something happens in your background,

и что-то происходит в вашем поле зрения,

you merely move your eyes to it.

вы просто переводите взгляд.

There are these cells that detect change

Есть специальные клетки, которые фиксируют изменения,

and you move your attention to it.

и вы переносите внимание в эту зону.

So those are very important for catching somebody

Поэтому эти клетки очень важны, чтобы заметить того,

who's trying to sneak up on you.

кто пытается подкрасться к вам незамеченным.

Let me just end by saying that this is what happens

Позвольте мне в завершение рассказать о том, что получится,

when you put Africa in a piano, OK.

если добавить Африку в фортепиано. Ладно?

This is a steel drum here that has been modified,

Это стальной барабан, который несколько видоизменен,

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

и это именно то, что происходит, если добавить Африку в фортепиано.

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

И я бы очень хотел, чтобы мы добавили Африку в компьютер,

and come up with a new kind of computer

и создали новый тип компьютера,

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

который будет мыслить, фантазировать, обладать творческими способностями и т.п.

Thank you.

Благодарю за внимание.

(Applause)

(Аплодисменты)

Chris Anderson: Question for you, Kwabena.

Крис Андерсон: Вопрос к вам, Квабена.

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

Вы как-то связываете работу, которую вы выполняете,

the future of Africa, this conference --

будущее Африки, эту конференцию —

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

какую связь можно установить между ними, если таковая вообще существует?

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

Квабена Боахен: Да, как я сказал вначале,

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

я получил мой первый компьютер, когда был подростком и жил в Аккре.

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

И у меня создалось вполне правильное впечатление, что нельзя конструировать таким образом.

It was very brute force; it was very inelegant.

Это было просто использование грубой силы, совершенно топорное решение.

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

Я думаю, я бы не отреагировал подобным образом,

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

если бы рос на всей этой научной фантастике,

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

на разговорах про RD2D2, или как он там называется, и — ну, сами знаете —

buying into this hype about computers.

покупаясь на всю эту бесконечную рекламу компьютеров.

I was coming at it from a different perspective,

Я подошёл к этому с другой точки зрения.

where I was bringing that different perspective

и я привнёс эту другую точку зрения

to bear on the problem.

в решение данной проблемы.

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

И я думаю, что масса людей в Африке имеют эту другую точку зрения,

and I think that's going to impact technology.

и я считаю, это даст толчок в развитии новых технологий.

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

И это даст толчок для нового подхода к пути их развития.

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

И я думаю, вскоре вы сможете увидеть и использовать этот вклад

to come up with new things,

для создания принципиально новых вещей,

because you're coming from a different perspective.

поскольку вы подойдёте к решению задачи с иной точки зрения.

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

Я думаю, мы можем внести свой вклад, мы тоже умеем мечтать.

CA: Thanks Kwabena, that was really interesting.

Крис Андерсон: Благодарю Вас, Квабена, было очень интересно.

Thank you.

Спасибо.

(Applause)

(Аплодисменты)