ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.

Why you should listen

Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.

Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.

More profile about the speaker
Jeff Hawkins | Speaker | TED.com
TED2003

Jeff Hawkins: How brain science will change computing

Jeff Hawkins om hvordan hjerneforskning vil ændre computing

Filmed:
1,674,773 views

Skaberen af Treo, Jeff Hawkins, opfordrer os til at se på hjernen med friske øjne - til ikke at se den som en hurtig regnemaskine, men som et hukommelsessystem, der kan optage og afspille oplevelser, som kan hjælpe os til at komme med intelligente forudsigelser.
- Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools. Full bio

Double-click the English transcript below to play the video.

00:25
I do two things: I designdesign mobilemobil computerscomputere and I studyundersøgelse brainshjerner.
0
0
3000
Jeg arbejder med to ting: Jeg laver mobile computere og studerer hjerner.
00:29
And today'sdagens talk is about brainshjerner and,
1
4000
2000
Dagens præsentation handler om hjerner og
00:31
yayyay, somewhereet eller andet sted I have a brainhjerne fanventilator out there.
2
6000
2000
hey, jeg har en hjernefan derude et sted.
00:33
(LaughterLatter)
3
8000
2000
(Latter)
00:35
I'm going to, if I can have my first slideglide up here,
4
10000
2000
Hvis jeg kan få mit første slide op,
00:37
and you'llvil du see the titletitel of my talk and my two affiliationssamarbejdspartnere.
5
12000
4000
kan I se titlen på min præsentation og mine to tilhørsforhold.
00:41
So what I'm going to talk about is why we don't have a good brainhjerne theoryteori,
6
16000
4000
Så jeg vil fortælle om, hvorfor vi ikke har en god teori om hjernen,
00:45
why it is importantvigtig that we should developudvikle one and what we can do about it.
7
20000
3000
hvorfor det er vigtigt, at vi udvikler en og hvad vi kan gøre ved det.
00:48
And I'll try to do all that in 20 minutesminutter. I have two affiliationssamarbejdspartnere.
8
23000
3000
Alt det vil jeg forsøge at gøre på 20 minutter. Jeg har to tilhørsforhold.
00:51
MostDe fleste of you know me from my PalmPalm and HandspringHandspring daysdage,
9
26000
3000
De fleste af jer kender mig fra min tid hos Palm og Handspring
00:54
but I alsoogså runløb a nonprofitnonprofit scientificvidenskabelig researchforskning instituteinstitut
10
29000
3000
men jeg driver også et nonprofit videnskabeligt forskningscenter
00:57
calledhedder the RedwoodRedwood NeuroscienceNeurovidenskab InstituteInstitut in MenloMenlo ParkPark,
11
32000
2000
som hedder Redwoodcentret for Neurovidenskab i Menlo Park
00:59
and we studyundersøgelse theoreticalteoretisk neuroscienceneurovidenskab,
12
34000
2000
vi studerer teoretisk neurovidenskab,
01:01
and we studyundersøgelse how the neocortexneocortex worksarbejder.
13
36000
2000
og vi studerer hvordan neocortex virker.
01:03
I'm going to talk all about that.
14
38000
2000
Alt det vil jeg tale om her.
01:05
I have one slideglide on my other life, the computercomputer life, and that's the slideglide here.
15
40000
3000
Jeg har en enkelt slide om mit andet liv, computer livet, og det er denne her.
01:08
These are some of the productsProdukter I've workedarbejdet on over the last 20 yearsflere år,
16
43000
3000
Det her er nogle af de produkter, jeg har arbejdet på de sidste 20 år,
01:11
startingstart back from the very originaloriginal laptopbærbar to some of the first tabletTablet computerscomputere
17
46000
4000
det starter ved den originale bærbare og går frem til de første tablet computere
01:15
and so on, and endingSlutning up mostmest recentlyfor nylig with the TreoTreo,
18
50000
2000
og så videre, indtil vi ender ved Treo,
01:17
and we're continuingfortsættende to do this.
19
52000
2000
og det fortsætter vi med at gøre.
01:19
And I've doneFærdig this because I really believe that mobilemobil computingcomputing
20
54000
2000
Og jeg har gjort dette, fordi jeg virkelig mener at mobile computere
01:21
is the futurefremtid of personalpersonlig computingcomputing, and I'm tryingforsøger to make the worldverden
21
56000
3000
er fremtiden indenfor personlige computere, og jeg prøver at gøre verden
01:24
a little bitbit better by workingarbejder on these things.
22
59000
3000
en lille smule bedre ved at arbejde med disse ting.
01:27
But this was, I have to admitindrømme, all an accidentulykke.
23
62000
2000
Men jeg må indrømme at alt dette var et uheld.
01:29
I really didn't want to do any of these productsProdukter
24
64000
2000
Jeg ønskede egentlig ikke at arbejde med nogen af disse produkter
01:31
and very earlytidlig in my careerkarriere I decidedbesluttede
25
66000
2000
og meget tidligt i min karriere besluttede jeg
01:33
I was not going to be in the computercomputer industryindustri.
26
68000
3000
at jeg ikke ville være inden for computerbranchen.
01:36
And before I tell you about that, I just have to tell you
27
71000
2000
Før jeg fortæller jer om det, bliver jeg nødt til at fortælle om
01:38
this one little picturebillede of graffitigraffiti there I pickedplukket off the webweb the other day.
28
73000
2000
dette lille billede af graffiti, som jeg hentede på nettet den anden dag.
01:40
I was looking for a picturebillede of graffitigraffiti, little texttekst inputinput languageSprog,
29
75000
3000
Jeg ledte efter et billede af graffiti, et lille sprog til tekst input
01:43
and I foundfundet the websiteinternet side dedicateddedikeret to teacherslærere who want to make these,
30
78000
3000
og fandt et website rettet mod lærere som ønsker at lave
01:46
you know, the scriptscript writingskrivning things acrosset kors the toptop of theirderes blackboardBlackboard,
31
81000
3000
de der skriveøvelser i toppen af tavlen
01:49
and they had addedtilsat graffitigraffiti to it, and I'm sorry about that.
32
84000
3000
- de havde tilføjet graffiti og det beklager jeg meget.
01:52
(LaughterLatter)
33
87000
2000
(Latter)
01:54
So what happenedskete was, when I was youngung and got out of engineeringingeniørarbejde schoolskole
34
89000
5000
Da jeg som ung mand blev færdig som ingeniør på
01:59
at CornellCornell in '79, I decidedbesluttede -- I wentgik to work for IntelIntel and
35
94000
4000
Cornell i 79, fik jeg arbejde hos Intel.
02:03
I was in the computercomputer industryindustri -- and threetre monthsmåneder into that,
36
98000
3000
Tre måneder inde i computerbranchen
02:06
I fellfaldt in love with something elseandet, and I said, "I madelavet the wrongforkert careerkarriere choicevalg here,"
37
101000
4000
forelskede jeg mig i noget andet og sagde: "Det var den forkerte karriere."
02:10
and I fellfaldt in love with brainshjerner.
38
105000
3000
Jeg forelskede mig i hjerner.
02:13
This is not a realægte brainhjerne. This is a picturebillede of one, a linelinje drawingtegning.
39
108000
3000
Dette er ikke en rigtig hjerne. Det er en stregtegning af en.
02:16
But I don't rememberHusk exactlyNemlig how it happenedskete,
40
111000
3000
Jeg husker ikke præcist, hvordan det skete,
02:19
but I have one recollectionerindring, whichhvilken was prettysmuk strongstærk in my mindsind.
41
114000
3000
men jeg har et meget stærkt minde om det.
02:22
In SeptemberSeptember 1979, ScientificVidenskabelige AmericanAmerikansk camekom out
42
117000
3000
I september 1979 handlede hele udgaven af Scientific American
02:25
with a singleenkelt topicemne issueproblem about the brainhjerne. And it was quitetemmelig good.
43
120000
3000
udelukkende om hjernen. Og det var ganske godt.
02:28
It was one of the bestbedst issuesproblemer ever. And they talkedtalte about the neuronneuron
44
123000
3000
Det var et af deres bedste blade nogensinde. De fortalte om neuroner,
02:31
and developmentudvikling and diseasesygdom and visionvision and all the things
45
126000
2000
udvikling, sygdom og synet og alle de ting
02:33
you mightmagt want to know about brainshjerner. It was really quitetemmelig impressiveimponerende.
46
128000
3000
du kunne have lyst til at vide om hjerner. Det var ret imponerende.
02:36
And one mightmagt have the impressionindtryk that we really knewvidste a lot about brainshjerner.
47
131000
3000
Man kunne få indtrykket, at vi vidste en masse om hjerner.
02:39
But the last articleartiklen in that issueproblem was writtenskriftlig by FrancisFrancis CrickCrick of DNADNA fameberømmelse.
48
134000
4000
Men den sidste artikel var skrevet af Francis Crick, berømt for DNA.
02:43
TodayI dag is, I think, the 50thth anniversaryjubilæum of the discoveryopdagelse of DNADNA.
49
138000
3000
I dag er vist 50-årsdagen for opdagelsen af DNA.
02:46
And he wroteskrev a storyhistorie basicallyi bund og grund sayingordsprog,
50
141000
2000
Og grundlæggende skrev han at
02:48
well, this is all well and good, but you know what,
51
143000
3000
det er meget godt altsammen,
02:51
we don't know diddleyDiddley squatsquat about brainshjerner
52
146000
2000
men vi ved ikke en skid om hjerner
02:53
and no one has a cluenøgle how these things work,
53
148000
2000
og ingen aner, hvordan de tingester virker,
02:55
so don't believe what anyonenogen som helst tellsfortæller you.
54
150000
2000
så du skal ikke tro på, hvad folk siger.
02:57
This is a quotecitere from that articleartiklen. He said, "What is conspicuouslypåfaldende lackingmangler,"
55
152000
3000
Her er et citat fra artiklen: "En iøjnefaldende mangel"
03:00
he's a very properkorrekt BritishBritiske gentlemangentleman so, "What is conspicuouslypåfaldende lackingmangler
56
155000
4000
- han var en meget korrekt brite, så: "En iøjnefaldende mangel
03:04
is a broadbred frameworkrammer of ideasideer in whichhvilken to interpretfortolke these differentforskellige approachestilgange."
57
159000
3000
er en bred grundstruktur af ideer til at fortolke disse forskellige tilgange i."
03:07
I thought the wordord frameworkrammer was great.
58
162000
2000
Jeg syntes, at ordet grundstruktur var fantastisk.
03:09
He didn't say we didn't even have a theoryteori. He sayssiger,
59
164000
2000
Han sagde ikke, at vi manglede en teori. Han siger
03:11
we don't even know how to beginbegynde to think about it --
60
166000
2000
vi ikke ved, hvordan vi skal begynde med at tænke på det -
03:13
we don't even have a frameworkrammer.
61
168000
2000
Vi har ikke engang en grundstruktur.
03:15
We are in the pre-paradigmfør paradigme daysdage, if you want to use ThomasThomas KuhnKuhn.
62
170000
3000
Vi er i præ-paradigme dagene ifølge Thomas Kuhn.
03:18
And so I fellfaldt in love with this, and said look,
63
173000
3000
Det forelskede jeg mig i og sagde: "Hør,
03:21
we have all this knowledgeviden about brainshjerner. How hardhårdt can it be?
64
176000
3000
vi har så meget viden om hjernen. Hvor svært kan det være?"
03:24
And this is something we can work on my lifetimelivstid. I feltfølte I could make a differenceforskel,
65
179000
3000
Det er noget, vi kan arbejde på i min levetid. Jeg følte, jeg kunne gøre en forskel
03:27
and so I triedforsøgt to get out of the computercomputer businessforretning, into the brainhjerne businessforretning.
66
182000
4000
og prøvede derfor at komme fra computerbranchen over i hjernebranchen.
03:31
First, I wentgik to MITMIT, the AIAI lablab was there,
67
186000
2000
Først prøvede jeg på MITs center for AI (kunstig intelligens)
03:33
and I said, well, I want to buildbygge intelligentintelligent machinesmaskiner, too,
68
188000
2000
hvor jeg sagde: "Jeg vil også bygge intelligente maskiner
03:35
but the way I want to do it is to studyundersøgelse how brainshjerner work first.
69
190000
3000
men jeg vil gøre det ved først at studere hvordan hjernen virker."
03:38
And they said, oh, you don't need to do that.
70
193000
3000
De sagde: "Det behøver du såmænd ikke.
03:41
We're just going to programprogram computerscomputere; that's all we need to do.
71
196000
2000
Vi behøver bare at programmere computerne."
03:43
And I said, no, you really oughtburde to studyundersøgelse brainshjerner. They said, oh, you know,
72
198000
3000
Og jeg sagde: "I burde studere hjerner." Men de sagde: "Du tager fejl."
03:46
you're wrongforkert. And I said, no, you're wrongforkert, and I didn't get in.
73
201000
2000
Og jeg sagde: "Nej, I tager fejl," og jeg kom ikke ind.
03:48
(LaughterLatter)
74
203000
1000
(Latter)
03:50
But I was a little disappointedskuffet -- prettysmuk youngung -- but I wentgik back again
75
205000
2000
Jeg var lidt skuffet og ganske ung, men jeg prøvede igen
03:52
a few yearsflere år latersenere and this time was in CaliforniaCalifornien, and I wentgik to BerkeleyBerkeley.
76
207000
3000
nogle år senere i Californien, hvor jeg tog til Berkeley.
03:55
And I said, I'll go in from the biologicalbiologisk sideside.
77
210000
4000
Jeg ville prøve fra den biologiske side.
03:59
So I got in -- in the PhPh.D. programprogram in biophysicsbiofysik, and I was, all right,
78
214000
3000
Jeg blev optaget på ph.d. programmet i biofysik og tænkte:
04:02
I'm studyingstudere brainshjerner now, and I said, well, I want to studyundersøgelse theoryteori.
79
217000
3000
"Jeg studerer hjerner nu!" og sagde: "Jeg vil studere teorier."
04:05
And they said, oh no, you can't studyundersøgelse theoryteori about brainshjerner.
80
220000
2000
Og de sagde:"Nej da, du kan ikke studere teorier om hjernen.
04:07
That's not something you do. You can't get fundedfinansierede for that.
81
222000
2000
Det gør man ikke. Der er ingen bevillinger.
04:09
And as a graduatebestå studentstuderende, you can't do that. So I said, oh my goshgosh.
82
224000
4000
Som student kan du ikke det." Så sagde jeg: "Hold da op."
04:13
I was very depresseddeprimeret. I said, but I can make a differenceforskel in this fieldMark.
83
228000
2000
Jeg var meget deprimeret, men mente stadig jeg kunne en gøre en forskel.
04:15
So what I did is I wentgik back in the computercomputer industryindustri
84
230000
3000
Derfor gik jeg tilbage til computerbranchen
04:18
and said, well, I'll have to work here for a while, do something.
85
233000
2000
og sagde: "Jeg skal jo arbejde her et stykke et tid."
04:20
That's when I designeddesignet all those computercomputer productsProdukter.
86
235000
3000
Det var dengang, jeg lavede alle de computerprodukter.
04:23
(LaughterLatter)
87
238000
1000
(Latter)
04:24
And I said, I want to do this for fourfire yearsflere år, make some moneypenge,
88
239000
3000
Det vil jeg gøre i fire år og tjene nogle penge
04:27
like I was havingat have a familyfamilie, and I would maturemodne a bitbit,
89
242000
4000
som hvis jeg havde en familie - blive lidt mere moden
04:31
and maybe the businessforretning of neuroscienceneurovidenskab would maturemodne a bitbit.
90
246000
3000
og måske kunne neurovidenskab også blive lidt mere moden.
04:34
Well, it tooktog longerlængere than fourfire yearsflere år. It's been about 16 yearsflere år.
91
249000
3000
Det tog så længere end fire år. Det tog cirka 16 år.
04:37
But I'm doing it now, and I'm going to tell you about it.
92
252000
2000
Det laver jeg nu og det vil jeg fortælle om.
04:39
So why should we have a good brainhjerne theoryteori?
93
254000
3000
Hvorfor bør vi have en god teori om hjernen?
04:42
Well, there's lots of reasonsgrunde people do sciencevidenskab.
94
257000
3000
Ja, der er mange grunde til at udføre videnskab.
04:45
One is -- the mostmest basicgrundlæggende one is -- people like to know things.
95
260000
3000
Den mest grundlæggende er, at folk gerne vil vide ting.
04:48
We're curiousnysgerrig, and we just go out and get knowledgeviden, you know?
96
263000
2000
Vi er nysgerrige og så samler vi viden sammen.
04:50
Why do we studyundersøgelse antsmyrer? Well, it's interestinginteressant.
97
265000
2000
Hvorfor studerer vi myrer? Det er interessant.
04:52
Maybe we'llgodt learnlære something really usefulnyttig about it, but it's interestinginteressant and fascinatingspændende.
98
267000
3000
Måske lærer vi noget nyttigt, men det er interessant og fascinerende.
04:55
But sometimesSommetider, a sciencevidenskab has some other attributesattributter
99
270000
2000
Men nogle gange har en videnskab andre egenskaber
04:57
whichhvilken makesmærker it really, really interestinginteressant.
100
272000
2000
der gør den virkelig interessant.
04:59
SometimesNogle gange a sciencevidenskab will tell something about ourselvesos selv,
101
274000
3000
Nogle gange vil en videnskab sige noget om os selv
05:02
it'lldet vil tell us who we are.
102
277000
1000
fortælle os om, hvem vi er.
05:03
RarelySjældent, you know: evolutionudvikling did this and CopernicusKopernikus did this,
103
278000
3000
Det gjorde evolution og Copernicus -
05:06
where we have a newny understandingforståelse of who we are.
104
281000
2000
hvor vi får en ny forståelse af os selv.
05:08
And after all, we are our brainshjerner. My brainhjerne is talkingtaler to your brainhjerne.
105
283000
4000
Vi er, trods alt, vore hjerner. Min hjerne taler til din hjerne.
05:12
Our bodiesorganer are hanginghængende alonghen ad for the rideride, but my brainhjerne is talkingtaler to your brainhjerne.
106
287000
3000
Vore kroppe er med på turen, men min hjerne taler til din.
05:15
And if we want to understandforstå who we are and how we feel and perceiveopfatter,
107
290000
3000
Hvis vi forstår, hvem vi er og hvordan vi føler og oplever
05:18
we really understandforstå what brainshjerner are.
108
293000
2000
må vi forstå hvad hjerner er.
05:20
AnotherEn anden thing is sometimesSommetider sciencevidenskab
109
295000
2000
Noget andet er, hvordan videnskab undertiden
05:22
leadskundeemner to really bigstor societalsamfundsmæssige benefitsfordele and technologiesteknologier,
110
297000
2000
fører til kæmpestore sociale gevinster og teknologier
05:24
or businessesvirksomheder, or whateveruanset hvad, that come out of it. And this is one, too,
111
299000
2000
eller virksomheder der udspringer af det. Det gælder også her
05:26
because when we understandforstå how brainshjerner work, we're going to be ablei stand
112
301000
3000
for hvis forstår hvordan hjerner virker, vil vi kunne bygge
05:29
to buildbygge intelligentintelligent machinesmaskiner, and I think that's actuallyrent faktisk a good thing on the wholehel,
113
304000
3000
intelligente maskiner, og det tror jeg overordnet er en god ting
05:32
and it's going to have tremendousenorm benefitsfordele to societysamfund,
114
307000
2000
og det vil blive en kæmpegevinst for samfundet
05:34
just like a fundamentalgrundlæggende technologyteknologi.
115
309000
2000
ligesom en grundlæggende teknologi.
05:36
So why don't we have a good theoryteori of brainshjerner?
116
311000
2000
Hvorfor har vi så ikke en god teori om hjernen?
05:38
And people have been workingarbejder on it for 100 yearsflere år.
117
313000
3000
Og det er noget folk har arbejdet på i 100 år.
05:41
Well, let's first take a look at what normalnormal sciencevidenskab looksudseende like.
118
316000
2000
Lad os starte med at se på, hvordan normal videnskab ser ud.
05:43
This is normalnormal sciencevidenskab.
119
318000
2000
Dette er normal videnskab.
05:45
NormalNormal sciencevidenskab is a nicepæn balancebalance betweenmellem theoryteori and experimentalistsexperimentalists.
120
320000
4000
Normal videnskab er en fin balance mellem teori og eksperimenter.
05:49
And so the theoristteoretiker guys say, well, I think this is what's going on,
121
324000
2000
Teori-fyren siger: "Jeg tror, det foregår sådan her."
05:51
and the experimentalistexperimentalist sayssiger, no, you're wrongforkert.
122
326000
2000
og eksperiment-fyren siger: "Du tager fejl."
05:53
And it goesgår back and forthfrem, you know?
123
328000
2000
Sådan går det frem og tilbage.
05:55
This worksarbejder in physicsfysik. This worksarbejder in geologygeologi. But if this is normalnormal sciencevidenskab,
124
330000
2000
Det virker for fysik og geologi. Men hvis det er normal videnskab,
05:57
what does neuroscienceneurovidenskab look like? This is what neuroscienceneurovidenskab looksudseende like.
125
332000
3000
hvordan ser så neurovidenskab ud? Sådan her:
06:00
We have this mountainbjerg of datadata, whichhvilken is anatomyanatomi, physiologyfysiologi and behavioropførsel.
126
335000
5000
Vi har et kæmpe bjerg af data om anatomi, fysiologi og adfærd.
06:05
You can't imagineforestille how much detaildetalje we know about brainshjerner.
127
340000
3000
I aner ikke, hvor mange detaljer vi har om hjernen.
06:08
There were 28,000 people who wentgik to the neuroscienceneurovidenskab conferencekonference this yearår,
128
343000
4000
I år var der 28.000 mennesker på konferencen for neurovidenskab
06:12
and everyhver one of them is doing researchforskning in brainshjerner.
129
347000
2000
og hver eneste forsker i hjerner.
06:14
A lot of datadata. But there's no theoryteori. There's a little, wimpyWimpy boxboks on toptop there.
130
349000
4000
Massevis af data. Men ingen teori. Der er en lille, snoldet kasse på toppen.
06:18
And theoryteori has not playedspillet a rolerolle in any sortsortere of grandGrand way in the neurosciencesneurovidenskab.
131
353000
5000
Og teori har ikke spillet nogen stor rolle indenfor neurovidenskab.
06:23
And it's a realægte shameskam. Now why has this come about?
132
358000
3000
Det er virkelig en skam. Hvorfor er det mon sådan?
06:26
If you askSpørg neuroscientistsneuroforskere, why is this the statestat of affairaffære,
133
361000
2000
Hvis du spørger neuroforskere, hvorfor det er sådan?
06:28
they'llde vil first of all admitindrømme it. But if you askSpørg them, they'llde vil say,
134
363000
3000
De vil gerne indrømme, men spørger du hvorfor, siger de:
06:31
well, there's variousforskellige reasonsgrunde we don't have a good brainhjerne theoryteori.
135
366000
3000
"Altså, der er forskellige grunde til, at vi ikke har en god teori."
06:34
Some people say, well, we don't still have enoughnok datadata,
136
369000
2000
Nogle siger: "Vi har stadig ikke har nok data
06:36
we need to get more informationinformation, there's all these things we don't know.
137
371000
3000
vi har brug for mere information, der er så mange ting vi ikke ved."
06:39
Well, I just told you there's so much datadata comingkommer out your earsører.
138
374000
3000
Vi har så meget data, at det kommer ud af ørerne!
06:42
We have so much informationinformation, we don't even know how to beginbegynde to organizeorganisere it.
139
377000
3000
Vi har så meget information, at vi ikke ved hvordan det skal organiseres.
06:45
What good is more going to do?
140
380000
2000
Hvorfor har vi så brug for mere?
06:47
Maybe we'llgodt be luckyheldig and discoveropdage some magicmagi thing, but I don't think so.
141
382000
3000
Måske er vi så heldige at opdage noget magisk, men det tror jeg ikke.
06:50
This is actuallyrent faktisk a symptomsymptom of the factfaktum that we just don't have a theoryteori.
142
385000
3000
Det er faktisk et symptom på, at vi ikke har nogen teori.
06:53
We don't need more datadata -- we need a good theoryteori about it.
143
388000
3000
Vi behøver ikke mere data - vi behøver en god teori om det.
06:56
AnotherEn anden one is sometimesSommetider people say, well, brainshjerner are so complexkompleks,
144
391000
3000
Andre siger: "Hjerner er så komplekse
06:59
it'lldet vil take anotheren anden 50 yearsflere år.
145
394000
2000
at det vil tage 50 år mere."
07:01
I even think ChrisChris said something like this yesterdayi går.
146
396000
2000
Jeg mener, at Chris sagde noget lignende i går.
07:03
I'm not sure what you said, ChrisChris, but something like,
147
398000
2000
Jeg mener, du sagde noget i retning af:
07:05
well, it's one of the mostmest complicatedkompliceret things in the universeunivers. That's not truerigtigt.
148
400000
3000
"Det er en af de mest komplicerede ting i universet." Det er ikke sandt.
07:08
You're more complicatedkompliceret than your brainhjerne. You've got a brainhjerne.
149
403000
2000
Du er mere kompliceret end din hjerne. Du har en hjerne.
07:10
And it's alsoogså, althoughSelvom the brainhjerne looksudseende very complicatedkompliceret,
150
405000
2000
Og selvom hjernen ser meget kompliceret ud,
07:12
things look complicatedkompliceret untilindtil you understandforstå them.
151
407000
3000
er det kun indtil man forstår ting, at de virker komplicerede.
07:15
That's always been the casetilfælde. And so all we can say, well,
152
410000
3000
Sådan har det altid været. Det eneste vi kan sige er
07:18
my neocortexneocortex, whichhvilken is the parten del of the brainhjerne I'm interestedinteresseret in, has 30 billionmilliard cellsceller.
153
413000
4000
at neocortex har 30 milliarder celler.
07:22
But, you know what? It's very, very regularfast.
154
417000
2000
Men den er meget regelmæssig.
07:24
In factfaktum, it looksudseende like it's the samesamme thing repeatedgentaget over and over and over again.
155
419000
3000
Det ligner faktisk det samme gentaget igen og igen.
07:27
It's not as complexkompleks as it looksudseende. That's not the issueproblem.
156
422000
3000
Den er ikke så kompliceret, som den ser ud. Det er ikke problemet.
07:30
Some people say, brainshjerner can't understandforstå brainshjerner.
157
425000
2000
Nogle folk siger: "Hjerner kan ikke forstå hjerner."
07:32
Very Zen-likeZen-lignende. WhooWaow. (LaughterLatter)
158
427000
3000
Meget zenagtigt...
07:35
You know,
159
430000
1000
(Latter)
07:36
it soundslyde good, but why? I mean, what's the pointpunkt?
160
431000
3000
Det lyder jo godt, men hvorfor? Hvad er pointen?
07:39
It's just a bunchflok of cellsceller. You understandforstå your liverlever.
161
434000
3000
Det er bare en samling celler. Du kan forstå din lever.
07:42
It's got a lot of cellsceller in it too, right?
162
437000
2000
Den har også en masse celler, ikke?
07:44
So, you know, I don't think there's anything to that.
163
439000
2000
Det er der altså heller ikke noget om.
07:46
And finallyendelig, some people say, well, you know,
164
441000
2000
Og til slut er der nogle, der siger:
07:48
I don't feel like a bunchflok of cellsceller, you know. I'm consciousbevidst.
165
443000
4000
"Jeg føler mig ikke som en samling celler. Jeg er bevidst.
07:52
I've got this experienceerfaring, I'm in the worldverden, you know.
166
447000
2000
Jeg har denne erfaring og jeg er i verden.
07:54
I can't be just a bunchflok of cellsceller. Well, you know,
167
449000
2000
Jeg kan ikke bare være en klump celler."
07:56
people used to believe there was a life forcekraft to be livinglevende,
168
451000
3000
Folk plejede at tro, man skulle have en livsenergi for at være levende.
07:59
and we now know that's really not truerigtigt at all.
169
454000
2000
Det ved vi nu ikke passer.
08:01
And there's really no evidencebeviser that sayssiger -- well, other than people
170
456000
3000
Der er ingen beviser for, at det skulle være sådan, andet end
08:04
just have disbeliefvantro that cellsceller can do what they do.
171
459000
2000
at folk har svært ved at tro på, at celler kan gøre det, de kan.
08:06
And so, if some people have fallenFallen into the pitpit of metaphysicalmetafysiske dualismdualisme,
172
461000
3000
Nogle mennesker er altså faldet i et metafysisk hul
08:09
some really smartsmart people, too, but we can rejectAfvis all that.
173
464000
3000
også ganske kloge mennesker, men det kan vi godt afvise.
08:12
(LaughterLatter)
174
467000
2000
(Latter)
08:14
No, I'm going to tell you there's something elseandet,
175
469000
3000
Nej, jeg vil fortælle jer, at der er noget andet
08:17
and it's really fundamentalgrundlæggende, and this is what it is:
176
472000
2000
og det er ganske fundamentalt:
08:19
there's anotheren anden reasongrund why we don't have a good brainhjerne theoryteori,
177
474000
2000
Der er en anden grund til, at vi ikke har en god teori om hjernen.
08:21
and it's because we have an intuitiveintuitiv, strongly-heldstærke,
178
476000
3000
Det er fordi, vi har en intuitiv, stærk
08:24
but incorrectforkert assumptionantagelse that has preventedforhindret us from seeingat se the answersvar.
179
479000
5000
men ukorrekt antagelse, der har forhindret os i at se svaret.
08:29
There's something we believe that just, it's obviousindlysende, but it's wrongforkert.
180
484000
3000
Vi tror på noget helt indlysende, som er forkert.
08:32
Now, there's a historyhistorie of this in sciencevidenskab and before I tell you what it is,
181
487000
4000
Før jeg siger, hvad det er... Der er en historik for det indenfor videnskab
08:36
I'm going to tell you a bitbit about the historyhistorie of it in sciencevidenskab.
182
491000
2000
som jeg gerne vil fortælle lidt om først.
08:38
You look at some other scientificvidenskabelig revolutionsrevolutioner,
183
493000
2000
Ser man på andre videnskabelige revolutioner
08:40
and this casetilfælde, I'm talkingtaler about the solarsol systemsystem, that's CopernicusKopernikus,
184
495000
2000
for eksempel solsystemet - det var Copernicus
08:42
Darwin'sDarwins evolutionudvikling, and tectonictektoniske platesplader, that's WegenerWegener.
185
497000
3000
Darwins evolution og Wegeners tektoniske plader
08:45
They all have a lot in commonalmindelige with brainhjerne sciencevidenskab.
186
500000
3000
har de alle meget tilfælles med hjernevidenskab.
08:48
First of all, they had a lot of unexplaineduforklarlig datadata. A lot of it.
187
503000
3000
For det første havde de alle en masse uforklarlige data.
08:51
But it got more manageablehåndterbare onceenkelt gang they had a theoryteori.
188
506000
3000
Men det blev til at håndtere, da de fandt en teori.
08:54
The bestbedst mindssind were stumpedsnuble -- really, really smartsmart people.
189
509000
3000
Rigtigt kloge mennesker sad fast her.
08:57
We're not smartersmartere now than they were then.
190
512000
2000
Vi er ikke klogere nu, end de var.
08:59
It just turnsdrejninger out it's really hardhårdt to think of things,
191
514000
2000
Det viser sig, at det er svært at tænke på ting
09:01
but onceenkelt gang you've thought of them, it's kindvenlig of easylet to understandforstå it.
192
516000
2000
men når først man har tænkt dem, er det faktisk nemt at forstå dem.
09:03
My daughtersdøtre understoodforstået these threetre theoriesteorier
193
518000
2000
Mine døtre forstod disse tre teoriers
09:05
in theirderes basicgrundlæggende frameworkrammer by the time they were in kindergartenbørnehave.
194
520000
3000
grundstruktur, da de gik i børnehave.
09:08
And now it's not that hardhårdt, you know, here'sher er the appleæble, here'sher er the orangeorange,
195
523000
3000
Og nu er det ikke så svært. Her er æblet, her er appelsinen.
09:11
you know, the EarthJorden goesgår around, that kindvenlig of stuffting og sager.
196
526000
3000
Jorden drejer rundt om solen og den slags.
09:14
FinallyEndelig, anotheren anden thing is the answersvar was there all alonghen ad,
197
529000
2000
Og sidst, men ikke mindst, var svaret der hele tiden
09:16
but we kindvenlig of ignoredignoreret it because of this obviousindlysende thing, and that's the thing.
198
531000
3000
men vi overså det, på grund af den her indlysende ting.
09:19
It was an intuitiveintuitiv, strong-heldstærk afholdt belieftro that was wrongforkert.
199
534000
3000
Det var en intuitiv, stærk overbevisning, som var forkert.
09:22
In the casetilfælde of the solarsol systemsystem, the ideaide that the EarthJorden is spinningspinding
200
537000
3000
I tilfældet med solsystemet er ideen om, at Jorden roterer
09:25
and the surfaceoverflade of the EarthJorden is going like a thousandtusind milesmiles an hourtime,
201
540000
3000
og at Jordens overflade roterer med over 1500 km i timen
09:28
and the EarthJorden is going throughigennem the solarsol systemsystem about a millionmillion milesmiles an hourtime.
202
543000
3000
og Jorden bevæger sig gennem solsystemet med over 1,5 mio km i timen
09:31
This is lunacyvanvid. We all know the EarthJorden isn't movingbevæger sig.
203
546000
2000
fuldstændig vanvid. Vi ved alle, at Jorden ikke bevæger sig.
09:33
Do you feel like you're movingbevæger sig a thousandtusind milesmiles an hourtime?
204
548000
2000
Føles det, som om du bevæger dig med over 1500 km i timen?
09:35
Of courseRute not. You know, and someonenogen who said,
205
550000
2000
Selvfølgelig ikke. Og hvis du sagde at
09:37
well, it was spinningspinding around in spaceplads and it's so hugekæmpe stor,
206
552000
2000
Jorden roterer og er kæmpestor
09:39
they would locklåse you up, and that's what they did back then.
207
554000
2000
ville de spærre dig inde, og det gjorde de dengang.
09:41
(LaughterLatter)
208
556000
1000
(Latter)
09:42
So it was intuitiveintuitiv and obviousindlysende. Now what about evolutionudvikling?
209
557000
3000
Det var intuitivt og indlysende. Hvad med evolutionen?
09:45
Evolution'sEvolutions the samesamme thing. We taughtundervist our kidsbørn, well, the BibleBibelen sayssiger,
210
560000
3000
Det er det samme. Vi lærte vore børn, at Bibelen siger
09:48
you know, God createdskabt all these speciesarter, catskatte are catskatte, dogshunde are dogshunde,
211
563000
2000
at Gud skabte alle arter. Katte er katte. Hunde er hunde.
09:50
people are people, plantsplanter are plantsplanter, they don't changelave om.
212
565000
3000
Mennesker er mennesker. Planter er planter. De ændrer sig ikke.
09:53
NoahNoah put them on the ArkArken in that orderbestille, blahblah, blahblah, blahblah. And, you know,
213
568000
4000
Noah tog dem ombord på Arken og blablabla.
09:57
the factfaktum is, if you believe in evolutionudvikling, we all have a commonalmindelige ancestorforfader,
214
572000
4000
Men hvis du tror på evolution har vi alle en fælles forfader
10:01
and we all have a commonalmindelige ancestryafstamning with the plantplante in the lobbylobby.
215
576000
3000
og vi deler en fælles forfader med planten ude i lobbyen.
10:04
This is what evolutionudvikling tellsfortæller us. And, it's truerigtigt. It's kindvenlig of unbelievableutrolig.
216
579000
3000
Det fortæller evolution os. Og det sandt. Men egentlig utroligt.
10:07
And the samesamme thing about tectonictektoniske platesplader, you know?
217
582000
3000
Sådan var det med tektoniske plader.
10:10
All the mountainsbjerge and the continentskontinenter are kindvenlig of floatingflydende around
218
585000
2000
Alle kontinenterne ligger og flyder rundt
10:12
on toptop of the EarthJorden, you know? It's like, it doesn't make any sensefølelse.
219
587000
4000
oven på Jorden - det giver jo ikke mening.
10:16
So what is the intuitiveintuitiv, but incorrectforkert assumptionantagelse,
220
591000
4000
Hvad er så den intuitive, men fejlagtige antagelse
10:20
that's keptholdt us from understandingforståelse brainshjerner?
221
595000
2000
der har afholdt fra os fra at forstå hjernen?
10:22
Now I'm going to tell it to you, and it's going to seemsynes obviousindlysende that that is correctkorrekt,
222
597000
2000
Når jeg siger det, vil det virke indlysende rigtigt
10:24
and that's the pointpunkt, right? Then I'm going to have to make an argumentargument
223
599000
2000
og det er hele pointen, ikke? Og så vil jeg komme med argumenter for
10:26
why you're incorrectforkert about the other assumptionantagelse.
224
601000
2000
hvorfor I tager fejl i den anden antagelse.
10:28
The intuitiveintuitiv but obviousindlysende thing is that somehowen eller anden måde intelligenceintelligens
225
603000
3000
Den intuitive, men indlysende ting er at intelligens
10:31
is defineddefineret by behavioropførsel,
226
606000
2000
defineres gennem adfærd
10:33
that we are intelligentintelligent because of the way that we do things
227
608000
2000
at vi er intelligente på grund af måden vi gør ting på
10:35
and the way we behaveopføre sig intelligentlyintelligent, and I'm going to tell you that's wrongforkert.
228
610000
3000
og den måde vi opfører os intelligent på. Og jeg siger, det er forkert.
10:38
What it is is intelligenceintelligens is defineddefineret by predictionforudsigelse.
229
613000
2000
Intelligens er defineret ved forudsigelse.
10:40
And I'm going to work you throughigennem this in a few slidesdias here,
230
615000
3000
Jeg skal guide jer igennem det på de næste par slides
10:43
give you an exampleeksempel of what this meansmidler. Here'sHer er a systemsystem.
231
618000
4000
og give et eksempel på hvad det betyder. Her er et system.
10:47
EngineersIngeniører like to look at systemssystemer like this. ScientistsVidenskabsfolk like to look at systemssystemer like this.
232
622000
3000
Ingeniører kan godt lide at se på systemer som dette. Det samme kan videnskabsfolk.
10:50
They say, well, we have a thing in a boxboks, and we have its inputsindgange and its outputsudgange.
233
625000
3000
Vi har en ting i en boks, siger de, og vi har dens input og output.
10:53
The AIAI people said, well, the thing in the boxboks is a programmableprogrammerbar computercomputer
234
628000
3000
AI-folkene siger, at tingen i kassen er en programmerbar computer
10:56
because that's equivalenttilsvarende to a brainhjerne, and we'llgodt feedfoder it some inputsindgange
235
631000
2000
fordi den svarer til en hjerne. Vi fodrer den med input
10:58
and we'llgodt get it to do something, have some behavioropførsel.
236
633000
2000
og får den til at gøre noget - udvise en adfærd.
11:00
And AlanAlan TuringTuring defineddefineret the TuringTuring testprøve, whichhvilken is essentiallyvæsentlige sayingordsprog,
237
635000
3000
Alan Turing definerede Turing-testen, som siger
11:03
we'llgodt know if something'snogle ting intelligentintelligent if it behavesopfører sig identicalidentisk to a humanhuman.
238
638000
3000
vi vil vide om noget er intelligent, hvis det opfører sig som et menneske.
11:06
A behavioraladfærdsmæssige metricmetrisk of what intelligenceintelligens is,
239
641000
3000
En adfærdsmæssig måling af, hvad intelligens er
11:09
and this has stucksidde fast in our mindssind for a long periodperiode of time.
240
644000
3000
der har siddet fast igennem lang tid.
11:12
RealityVirkelighed thoughselvom, I call it realægte intelligenceintelligens.
241
647000
2000
I virkeligheden... jeg kalder det ægte intelligens.
11:14
RealReal intelligenceintelligens is builtbygget on something elseandet.
242
649000
2000
Ægte intelligens bygger på noget andet.
11:16
We experienceerfaring the worldverden throughigennem a sequencesekvens of patternsmønstre, and we storebutik them,
243
651000
4000
Vi oplever verden gennem en rækkefølge af mønstre som vi gemmer
11:20
and we recallminde om them. And when we recallminde om them, we matchmatch them up
244
655000
3000
og som vi genkalder. Når vi genkalder dem, sammenligner vi dem
11:23
againstmod realityvirkelighed, and we're makingmaking predictionsforudsigelser all the time.
245
658000
4000
med virkeligheden og laver forudsigelser hele tiden.
11:27
It's an eternalevige metricmetrisk. There's an eternalevige metricmetrisk about us sortsortere of sayingordsprog,
246
662000
3000
Det er en evig gyldig metrik, som spørger
11:30
do we understandforstå the worldverden? Am I makingmaking predictionsforudsigelser? And so on.
247
665000
3000
om vi forstår verden? Kommer jeg med forudsigelser? Og så videre.
11:33
You're all beingvære intelligentintelligent right now, but you're not doing anything.
248
668000
2000
I er alle intelligente lige nu, selvom I ikke laver noget.
11:35
Maybe you're scratchingskrabe yourselfdig selv, or pickingplukke your nosenæse,
249
670000
2000
Måske klør du dig eller piller næse.
11:37
I don't know, but you're not doing anything right now,
250
672000
2000
Jeg ved det ikke - du laver ikke noget netop nu
11:39
but you're beingvære intelligentintelligent; you're understandingforståelse what I'm sayingordsprog.
251
674000
3000
men du er intelligent, du forstår hvad jeg siger.
11:42
Because you're intelligentintelligent and you speaktale Englishengelsk,
252
677000
2000
Fordi du er intelligent og taler engelsk
11:44
you know what wordord is at the endende of this -- (SilenceTavshed)
253
679000
1000
ved du godt hvad, det sidste ord er i denne.. (Stilhed)
11:45
sentencesætning.
254
680000
2000
sætning.
11:47
The wordord camekom into you, and you're makingmaking these predictionsforudsigelser all the time.
255
682000
3000
Ordet kom til dig og du laver disse forudsigelser hele tiden.
11:50
And then, what I'm sayingordsprog is,
256
685000
2000
Det jeg siger er
11:52
is that the eternalevige predictionforudsigelse is the outputproduktion in the neocortexneocortex.
257
687000
2000
at denne evige forudsigelse er outputtet fra neocortex.
11:54
And that somehowen eller anden måde, predictionforudsigelse leadskundeemner to intelligentintelligent behavioropførsel.
258
689000
3000
Og at forudsigelser fører til intelligent adfærd.
11:57
And here'sher er how that happenssker. Let's startStart with a non-intelligentikke-intelligente brainhjerne.
259
692000
3000
Det sker på følgende måde: Lad os starte med en ikke-intelligent hjerne.
12:00
Well I'll argueargumentere a non-intelligentikke-intelligente brainhjerne, we got holdholde of an oldgammel brainhjerne,
260
695000
4000
Jeg vil påstå, det er en ikke-intelligent hjerne. Vi kan kalde det en gammel hjerne
12:04
and we're going to say it's like a non-mammalikke-pattedyr, like a reptilekrybdyr,
261
699000
3000
og vi kan sige at det er som et ikke-pattedyr, et krybdyr.
12:07
so I'll say, an alligatoralligator; we have an alligatoralligator.
262
702000
2000
Vi kan sige, vi har fat i en alligator.
12:09
And the alligatoralligator has some very sophisticatedsofistikeret sensessanser.
263
704000
3000
Alligatoren har nogle meget avancerede sanser.
12:12
It's got good eyesøjne and earsører and touchrøre ved sensessanser and so on,
264
707000
3000
Den har gode øjne og ører, følesans osv.
12:15
a mouthmund and a nosenæse. It has very complexkompleks behavioropførsel.
265
710000
4000
en mund og en næse. Den har en meget kompleks adfærd.
12:19
It can runløb and hideskjule. It has fearsfrygt and emotionsfølelser. It can eatspise you, you know.
266
714000
4000
Den kan løbe og gemme sig. Den føler frygt og andre følelser. Den kan spise dig.
12:23
It can attackangreb. It can do all kindsformer of stuffting og sager.
267
718000
4000
Den kan angribe. Den kan alt muligt.
12:27
But we don't consideroverveje the alligatoralligator very intelligentintelligent, not like in a humanhuman sortsortere of way.
268
722000
5000
Men vi betragter ikke alligatoren som særlig intelligent. Ikke som mennesker.
12:32
But it has all this complexkompleks behavioropførsel alreadyallerede.
269
727000
2000
Men den udviser en kompleks adfærd.
12:34
Now, in evolutionudvikling, what happenedskete?
270
729000
2000
Hvad skete der - evolutionsmæssigt?
12:36
First thing that happenedskete in evolutionudvikling with mammalspattedyr,
271
731000
3000
Det første der skete i pattedyrenes evolution var
12:39
we startedstartede to developudvikle a thing calledhedder the neocortexneocortex.
272
734000
2000
at vi udviklede en neocortex.
12:41
And I'm going to representrepræsentere the neocortexneocortex here,
273
736000
2000
Jeg vil vise neocortex her
12:43
by this boxboks that's stickingstikning on toptop of the oldgammel brainhjerne.
274
738000
2000
som en kasse ovenpå den gamle hjerne.
12:45
NeocortexNeocortex meansmidler newny layerlag. It is a newny layerlag on toptop of your brainhjerne.
275
740000
3000
Neocortex betyder nyt lag. Det er et nyt lag oven på din hjerne.
12:48
If you don't know it, it's the wrinklyrynk thing on the toptop of your headhoved that,
276
743000
3000
Det er den rynkede ting øverst i hovedet
12:51
it's got wrinklyrynk because it got shovedskubbede in there and doesn't fitpasse.
277
746000
3000
der blev rynket af at blive presset sammen, hvor der ikke var plads.
12:54
(LaughterLatter)
278
749000
1000
(Latter)
12:55
No, really, that's what it is. It's about the sizestørrelse of a tabletabel napkinserviet.
279
750000
2000
Nej, det er faktisk rigtigt. Den på størrelse med en serviet.
12:57
And it doesn't fitpasse, so it getsfår all wrinklyrynk. Now look at how I've drawntrukket this here.
280
752000
3000
Og den passer ikke ind, så den blev helt rynket. Se nu på tegningen her.
13:00
The oldgammel brainhjerne is still there. You still have that alligatoralligator brainhjerne.
281
755000
4000
Den gamle hjerne er der stadig. Du har stadig en alligator hjerne.
13:04
You do. It's your emotionalfølelsesmæssig brainhjerne.
282
759000
2000
Det er rigtigt - din følelsesmæssige hjerne.
13:06
It's all those things, and all those guttarm reactionsreaktioner you have.
283
761000
3000
Den er alle de ting og alle de instinktive reaktioner du har.
13:09
And on toptop of it, we have this memoryhukommelse systemsystem calledhedder the neocortexneocortex.
284
764000
3000
Ovenpå den har vi et hukommelsessystem kaldet for neocortex.
13:12
And the memoryhukommelse systemsystem is sittingsidder over the sensorysensorisk parten del of the brainhjerne.
285
767000
4000
Hukommelsessystemet sidder oven på den sansemæssige del af hjernen.
13:16
And so as the sensorysensorisk inputinput comeskommer in and feedsfeeds from the oldgammel brainhjerne,
286
771000
3000
Og samtidig med at det sansemæssige input går til den gamle hjerne
13:19
it alsoogså goesgår up into the neocortexneocortex. And the neocortexneocortex is just memorizinghuske.
287
774000
4000
går det også til neocortex. Og neocortex husker det bare.
13:23
It's sittingsidder there sayingordsprog, ahah, I'm going to memorizelære udenad all the things that are going on:
288
778000
4000
Det sidder der og siger: "Jeg husker alt, hvad der sker
13:27
where I've been, people I've seenset, things I've heardhørt, and so on.
289
782000
2000
hvor jeg har været, mennesker jeg har set, ting jeg har hørt osv."
13:29
And in the futurefremtid, when it seesser something similarlignende to that again,
290
784000
4000
Og når den i fremtiden ser noget lignende
13:33
so in a similarlignende environmentmiljø, or the exacteksakt samesamme environmentmiljø,
291
788000
3000
i et lignende miljø eller i det nøjagtig samme miljø
13:36
it'lldet vil playSpille it back. It'llDet vil startStart playingspille it back.
292
791000
2000
vil den afspille det igen.
13:38
Oh, I've been here before. And when you've been here before,
293
793000
2000
"Åh, jeg har været her før. Og når du har været her før
13:40
this happenedskete nextNæste. It allowstillader you to predictforudsige the futurefremtid.
294
795000
3000
vil det næste være det og det." Den gør, at du kan forudsige fremtiden.
13:43
It allowstillader you to, literallybogstaveligt talt it feedsfeeds back the signalssignaler into your brainhjerne;
295
798000
4000
Den gør det bogstavelig talt ved at sende signaler ind i hjernen
13:47
they'llde vil let you see what's going to happenske nextNæste,
296
802000
2000
som lader dig se, hvad der vil ske som det næste,
13:49
will let you hearhøre the wordord "sentencesætning" before I said it.
297
804000
3000
vil lade dig høre ordet 'sætning' før jeg siger det.
13:52
And it's this feedingfodring back into the oldgammel brainhjerne
298
807000
3000
Og det er dette tilbageløb til den gamle hjerne
13:55
that'lldet vil allowgive lov til you to make very more intelligentintelligent decisionsbeslutninger.
299
810000
3000
som gør dig i stand til at træffe langt mere intelligente beslutninger.
13:58
This is the mostmest importantvigtig slideglide of my talk, so I'll dwellBo on it a little bitbit.
300
813000
3000
Det her er det vigtigste slide jeg har, så jeg standser lige lidt op.
14:01
And so, all the time you say, oh, I can predictforudsige the things.
301
816000
4000
Det betyder, at du hele tiden siger: "Jeg kan forudsige ting."
14:05
And if you're a ratrotte and you go throughigennem a mazelabyrint, and then you learnlære the mazelabyrint,
302
820000
3000
Hvis du er en rotte, der skal igennem en labyrint og du så lærer labyrinten at kende,
14:08
the nextNæste time you're in a mazelabyrint, you have the samesamme behavioropførsel,
303
823000
2000
så vil du næste gang have den samme adfærd,
14:10
but all of a suddenpludselig, you're smartersmartere
304
825000
2000
men du er lige pludselig blevet klogere
14:12
because you say, oh, I recognizegenkende this mazelabyrint, I know whichhvilken way to go,
305
827000
3000
fordi du siger: "Nå, jeg kan genkende den og ved hvilken vej, jeg skal gå,
14:15
I've been here before, I can envisionEnvision the futurefremtid. And that's what it's doing.
306
830000
3000
jeg har været her før, jeg kan forudsige fremtiden." Det er det, den gør.
14:18
In humansmennesker -- by the way, this is truerigtigt for all mammalspattedyr;
307
833000
3000
Det er forresten sådan for alle pattedyr
14:21
it's truerigtigt for other mammalspattedyr -- and in humansmennesker, it got a lot worseværre.
308
836000
2000
det er sådan for andre pattedyr og hos mennesket blev det meget værre.
14:23
In humansmennesker, we actuallyrent faktisk developedudviklede sig the frontforan parten del of the neocortexneocortex
309
838000
3000
Som mennesker udviklede vi den forreste del af neocortex
14:26
calledhedder the anterioranterior parten del of the neocortexneocortex. And naturenatur did a little tricktrick.
310
841000
4000
som kaldes prefrontal cortex. Her lavede naturen et lille trick.
14:30
It copiedkopieret the posteriorposterior parten del, the back parten del, whichhvilken is sensorysensorisk,
311
845000
2000
Den kopierede den bageste del, som er sensorisk
14:32
and put it in the frontforan parten del.
312
847000
2000
og placerede den foran.
14:34
And humansmennesker uniquelyentydigt have the samesamme mechanismmekanisme on the frontforan,
313
849000
2000
Og helt specielt har mennesket den samme mekanisme foran
14:36
but we use it for motormotor controlkontrollere.
314
851000
2000
men vi bruger den til motorisk kontrol.
14:38
So we are now ablei stand to make very sophisticatedsofistikeret motormotor planningplanlægning, things like that.
315
853000
3000
Vi kan derfor nu lave meget sofistikeret motorisk planlægning og den slags.
14:41
I don't have time to get into all this, but if you want to understandforstå how a brainhjerne worksarbejder,
316
856000
3000
Jeg har ikke tid til at uddybe alt dette, men hvis du vil forstå hjernen,
14:44
you have to understandforstå how the first parten del of the mammalianpattedyr neocortexneocortex worksarbejder,
317
859000
3000
bliver du nødt til at forstå, hvordan den første del af pattedyrenes neocortex virker,
14:47
how it is we storebutik patternsmønstre and make predictionsforudsigelser.
318
862000
2000
hvordan vi gemmer mønstre og laver forudsigelser.
14:49
So let me give you a few exampleseksempler of predictionsforudsigelser.
319
864000
3000
Lad mig give et par eksempler på forudsigelser.
14:52
I alreadyallerede said the wordord "sentencesætning." In musicmusik,
320
867000
2000
Jeg har allerede sagt ordet 'sætning'. Indenfor musik
14:54
if you've heardhørt a songsang before, if you heardhørt JillJill singsynge those songssange before,
321
869000
3000
hvis du har hørt en sang før, hvis du har hørt Jill synge de sange før
14:57
when she singssynger them, the nextNæste noteBemærk popspopper into your headhoved alreadyallerede --
322
872000
3000
- når hun synger dem, vil den næste tone allerede dukke op,
15:00
you anticipateforegribe it as you're going. If it was an albumalbum of musicmusik,
323
875000
2000
du forventer dem efterhånden. Hvis det var et musikalbum
15:02
the endende of one albumalbum, the nextNæste songsang popspopper into your headhoved.
324
877000
3000
- ved slutningen af en sang, starter den næste op inde i dit hoved.
15:05
And these things happenske all the time. You're makingmaking these predictionsforudsigelser.
325
880000
2000
De her ting sker hele tiden. Du forudsiger hele tiden.
15:07
I have this thing calledhedder the alteredændret doordør thought experimenteksperiment.
326
882000
3000
Jeg har noget der hedder: Tanke-eksperimentet med den ændrede dør.
15:10
And the alteredændret doordør thought experimenteksperiment sayssiger, you have a doordør at home,
327
885000
3000
I dette eksperiment siger vi, at du har en dør derhjemme
15:13
and when you're here, I'm changingskiftende it, I've got a guy
328
888000
3000
og mens du er her, laver jeg en ændring på den.
15:16
back at your househus right now, movingbevæger sig the doordør around,
329
891000
2000
En fyr er hjemme i dit hus lige nu og flytter rundt på døren
15:18
and they're going to take your doorknobdørhåndtag and movebevæge sig it over two inchesinches.
330
893000
2000
og han tager håndtaget og flytter det et par centimeter til den ene side.
15:20
And when you go home tonighti aften, you're going to put your handhånd out there,
331
895000
2000
Når du tager hjem i aften, strækker du hånden ud
15:22
and you're going to reach for the doorknobdørhåndtag and you're going to noticevarsel
332
897000
2000
du rækker ud efter dørhåndtaget og bemærker
15:24
it's in the wrongforkert spotfå øje på, and you'llvil du go, whoawhoa, something happenedskete.
333
899000
3000
at det sidder det forkerte sted og du tænker: "Hvad er der sket her?!"
15:27
It maykan take a secondanden to figurefigur out what it was, but something happenedskete.
334
902000
2000
Det tager måske et par sekunder at regne ud, men noget er der sket.
15:29
Now I could changelave om your doorknobdørhåndtag in other waysmåder.
335
904000
2000
Jeg kunne ændre håndtaget på mange måder.
15:31
I can make it largerstørre or smallermindre, I can changelave om its brassmessing to silversølv,
336
906000
2000
Jeg kan gøre det større eller mindre. Ændre det fra messing til sølv.
15:33
I could make it a leverhåndtag. I can changelave om your doordør, put colorsfarver on;
337
908000
2000
Gøre det til en løftestang. Jeg kan ændre døren med farver
15:35
I can put windowsvinduer in. I can changelave om a thousandtusind things about your doordør,
338
910000
3000
eller komme en rude i. Jeg kan ændre tusindvis af ting ved din dør
15:38
and in the two secondssekunder you take to openåben your doordør,
339
913000
2000
og i de to sekunder det tager dig at åbne døren
15:40
you're going to noticevarsel that something has changedændret.
340
915000
3000
vil du bemærke, at noget er ændret.
15:43
Now, the engineeringingeniørarbejde approachnærme sig to this, the AIAI approachnærme sig to this,
341
918000
2000
Den ingeniørmæssige tilgang til dette og AI-tilgangen
15:45
is to buildbygge a doordør databasedatabase. It has all the doordør attributesattributter.
342
920000
3000
er at bygge en dør-database. Den indeholder alle dørens egenskaber.
15:48
And as you go up to the doordør, you know, let's checkkontrollere them off one at time.
343
923000
3000
Og som du nærmer dig døren, bliver de krydset af en ad gangen.
15:51
DoorDøren, doordør, doordør, you know, colorfarve, you know what I'm sayingordsprog.
344
926000
2000
Dør, dør, dør, farve, du ved, hvad jeg mener.
15:53
We don't do that. Your brainhjerne doesn't do that.
345
928000
2000
Sådan gør vi ikke. Din hjerne gør ikke sådan.
15:55
What your brainhjerne is doing is makingmaking constantkonstant predictionsforudsigelser all the time
346
930000
2000
Din hjerne laver hele tiden forudsigelser om
15:57
about what is going to happenske in your environmentmiljø.
347
932000
2000
hvad der vil ske i dine omgivelser.
15:59
As I put my handhånd on this tabletabel, I expectforventer to feel it stop.
348
934000
3000
Lægger jeg min hånd på dette bord, forventer jeg at mærke den stoppe.
16:02
When I walk, everyhver steptrin, if I missedsavnet it by an eighthottende of an inchinch,
349
937000
3000
Jeg vil vide, hvis bare et enkelt skridt rammer forbi med en ½ cm
16:05
I'll know something has changedændret.
350
940000
2000
at et eller andet er ændret.
16:07
You're constantlykonstant makingmaking predictionsforudsigelser about your environmentmiljø.
351
942000
2000
Du laver hele tiden forudsigelser om dine omgivelser.
16:09
I'll talk about visionvision here brieflykort. This is a picturebillede of a womankvinde.
352
944000
3000
Jeg vil kort tale om synet. Her er et billede af en kvinde.
16:12
And when you look at people, your eyesøjne are caughtfanget
353
947000
2000
Når du ser på et menneske, bliver dine øjne fanget
16:14
over at two to threetre timesgange a secondanden.
354
949000
1000
over to til tre gange i sekundet.
16:15
You're not awareklar over of this, but your eyesøjne are always movingbevæger sig.
355
950000
2000
Du er ikke bevidst om det, men dine øjne bevæger sig hele tiden.
16:17
And so when you look at someone'snogen er faceansigt,
356
952000
2000
Og når du ser på en persons ansigt
16:19
you'ddu ville typicallytypisk go from eyeøje to eyeøje to eyeøje to nosenæse to mouthmund.
357
954000
2000
går du typisk fra øje til øje til øje til næse til mund.
16:21
Now, when your eyeøje movesflytter sig from eyeøje to eyeøje,
358
956000
2000
Når dine øjne bevæger sig fra øje til øje
16:23
if there was something elseandet there like, a nosenæse,
359
958000
2000
og der var noget andet som f.x. en næse
16:25
you'ddu ville see a nosenæse where an eyeøje is supposedformodede to be,
360
960000
2000
ville du se en næse, hvor der burde være et øje
16:27
and you'ddu ville go, oh shitlort, you know --
361
962000
3000
og du ville tænke: "Hvad pokker!?"
16:30
(LaughterLatter)
362
965000
1000
(Latter)
16:31
There's something wrongforkert about this personperson.
363
966000
2000
Der er noget galt med denne person.
16:33
And that's because you're makingmaking a predictionforudsigelse.
364
968000
2000
Og det er fordi, du laver en forudsigelse.
16:35
It's not like you just look over there and say, what am I seeingat se now?
365
970000
2000
Du ville aldrig bare kigge derover og spørge: "Hvad ser jeg nu?"
16:37
A nosenæse, that's okay. No, you have an expectationforventning of what you're going to see.
366
972000
3000
En næse, det er okay. Nej, du har en forventning om, hvad du kommer til at se.
16:40
(LaughterLatter)
367
975000
1000
(Latter)
16:41
EveryHver singleenkelt momentøjeblik. And finallyendelig, let's think about how we testprøve intelligenceintelligens.
368
976000
4000
Hvert øjeblik. Lad os til slut se på, hvordan vi tester intelligens.
16:45
We testprøve it by predictionforudsigelse. What is the nextNæste wordord in this, you know?
369
980000
3000
Vi tester det gennem forudsigelser. Hvad er det næste ord i denne...?
16:48
This is to this as this is to this. What is the nextNæste numbernummer in this sentencesætning?
370
983000
3000
A er til B som C er til hvad? Hvad er det næste tal i denne sekvens?
16:51
Here'sHer er threetre visionsvisioner of an objectobjekt.
371
986000
2000
Her er der tre vinkler på en ting.
16:53
What's the fourthfjerde one? That's how we testprøve it. It's all about predictionforudsigelse.
372
988000
4000
Hvad er den fjerde vinkel? Det sådan vi tester. Det handler om forudsigelse.
16:57
So what is the recipeopskrift for brainhjerne theoryteori?
373
992000
3000
Hvad er så opskriften på en teori om hjernen?
17:00
First of all, we have to have the right frameworkrammer.
374
995000
3000
Først og fremmest skal vi have den rigtige grundstruktur.
17:03
And the frameworkrammer is a memoryhukommelse frameworkrammer,
375
998000
2000
Denne grundstruktur er en hukommelsesstruktur.
17:05
not a computationberegning or behavioropførsel frameworkrammer. It's a memoryhukommelse frameworkrammer.
376
1000000
2000
ikke en beregnings- eller adfærdsstruktur. En hukommelsesstruktur.
17:07
How do you storebutik and recallminde om these sequencessekvenser or patternsmønstre? It's spatio-temporalspatio-temporale patternsmønstre.
377
1002000
4000
Hvordan gemmer og genkalder du disse rækker af mønstre.
17:11
Then, if in that frameworkrammer, you take a bunchflok of theoreticiansteoretikere.
378
1006000
3000
Indenfor denne grundstruktur tager du en gruppe teoretikere.
17:14
Now biologistsbiologer generallygenerelt are not good theoreticiansteoretikere.
379
1009000
2000
Altså, biologer er generelt ikke gode teoretikere.
17:16
It's not always truerigtigt, but in generalgenerel, there's not a good historyhistorie of theoryteori in biologybiologi.
380
1011000
4000
Det passer ikke altid, men generelt er der ikke en historik for teori indenfor biologi.
17:20
So I foundfundet the bestbedst people to work with are physicistsfysikere,
381
1015000
3000
Jeg fandt ud af, at de bedste samarbejdspartnere er fysikere
17:23
engineersingeniører and mathematiciansmatematikere, who tendtendens to think algorithmicallyAlgoritmisk.
382
1018000
3000
ingeniører og matematikere, som ofte tænker i algoritmer.
17:26
Then they have to learnlære the anatomyanatomi, and they'vede har got to learnlære the physiologyfysiologi.
383
1021000
3000
Så skal de lære anatomi og fysiologi.
17:29
You have to make these theoriesteorier very realisticrealistisk in anatomicalanatomisk termsbetingelser.
384
1024000
4000
Disse teorier skal være meget realistiske i anatomisk henseende.
17:33
AnyoneNogen who getsfår up and tellsfortæller you theirderes theoryteori about how the brainhjerne worksarbejder
385
1028000
4000
Hvis der er nogen, som vil fortælle deres teori om hjernens virkemåde
17:37
and doesn't tell you exactlyNemlig how it's workingarbejder in the brainhjerne
386
1032000
2000
men ikke kan fortælle præcist, hvordan det virker i hjernen
17:39
and how the wiringledninger worksarbejder in the brainhjerne, it is not a theoryteori.
387
1034000
2000
og hvordan ledningerne virker i hjernen, har de ikke en teori.
17:41
And that's what we're doing at the RedwoodRedwood NeuroscienceNeurovidenskab InstituteInstitut.
388
1036000
3000
Det er det, vi laver på Redwoodcentret for Neurovidenskab.
17:44
I would love to have more time to tell you we're makingmaking fantasticfantastisk progressfremskridt in this thing,
389
1039000
4000
Jeg ville rigtig gerne have mere tid til at fortælle, om de fremskridt vi gør
17:48
and I expectforventer to be back up on this stagescene,
390
1043000
2000
og jeg regner med at være tilbage på denne scene
17:50
maybe this will be some other time in the not too distantfjern futurefremtid and tell you about it.
391
1045000
2000
måske en anden gang i den nærmeste fremtid for at fortælle om det.
17:52
I'm really, really excitedbegejstret. This is not going to take 50 yearsflere år at all.
392
1047000
3000
Jeg er virkelig begejstret. Det kommer slet ikke til at tage 50 år.
17:55
So what will brainhjerne theoryteori look like?
393
1050000
2000
Hvordan vil en teori om hjernen så se ud?
17:57
First of all, it's going to be a theoryteori about memoryhukommelse.
394
1052000
2000
For det første vil det være en teori om hukommelse.
17:59
Not like computercomputer memoryhukommelse. It's not at all like computercomputer memoryhukommelse.
395
1054000
3000
Det er slet ikke ligesom computer hukommelse.
18:02
It's very, very differentforskellige. And it's a memoryhukommelse of these very
396
1057000
2000
Det er meget anderledes. Det er en hukommelse for
18:04
high-dimensionalhigh-dimensional patternsmønstre, like the things that come from your eyesøjne.
397
1059000
3000
mange-dimensionelle mønstre - ligesom dem fra dine øjne.
18:07
It's alsoogså memoryhukommelse of sequencessekvenser.
398
1062000
2000
Det er også en hukommelse for rækkefølger.
18:09
You cannotkan ikke learnlære or recallminde om anything outsideuden for of a sequencesekvens.
399
1064000
2000
Du kan ikke lære eller genkalde noget, som ikke er i rækkefølge.
18:11
A songsang mustskal be heardhørt in sequencesekvens over time,
400
1066000
3000
En sang skal høres i en rækkefølge henover tid.
18:14
and you mustskal playSpille it back in sequencesekvens over time.
401
1069000
3000
og genspilles i samme rækkefølge over tid.
18:17
And these sequencessekvenser are auto-associativelyAuto-skrivehæfte recalledmindes, so if I see something,
402
1072000
3000
Disse rækkefølger genkaldes automatisk per association. Hvis jeg ser noget,
18:20
I hearhøre something, it remindsminder me of it, and then it playsskuespil back automaticallyautomatisk.
403
1075000
3000
hører jeg noget, vil det minde mig om det og afspille det automatisk.
18:23
It's an automaticautomatisk playbackafspilning. And predictionforudsigelse of futurefremtid inputsindgange is the desiredønskede outputproduktion.
404
1078000
4000
Det er automatisk afspilning. Forudsigelsen af fremtidigt input er det ønskede output.
18:27
And as I said, the theoryteori mustskal be biologicallybiologisk accuratenøjagtig,
405
1082000
3000
Teorien skal være biologisk korrekt.
18:30
it mustskal be testabletestbare, and you mustskal be ablei stand to buildbygge it.
406
1085000
2000
Den skal kunne testes og man skal kunne bygge den.
18:32
If you don't buildbygge it, you don't understandforstå it. So, one more slideglide here.
407
1087000
4000
Hvis du ikke bygger den, kan du ikke forstå den. En slide mere her:
18:36
What is this going to resultresultat in? Are we going to really buildbygge intelligentintelligent machinesmaskiner?
408
1091000
4000
Hvad vil resultatet være? Vil vi kunne bygge intelligente maskiner?
18:40
AbsolutelyAbsolut. And it's going to be differentforskellige than people think.
409
1095000
4000
Helt sikkert. Og det vil være anderledes end folk tror.
18:44
No doubttvivl that it's going to happenske, in my mindsind.
410
1099000
3000
Jeg er slet ikke i tvivl om, at det vil ske.
18:47
First of all, it's going to be builtbygget up, we're going to buildbygge the stuffting og sager out of siliconsilicium.
411
1102000
4000
Vi kommer til at bygge det ud af silikone.
18:51
The samesamme techniquesteknikker we use for buildingbygning siliconsilicium computercomputer memorieserindringer,
412
1106000
3000
De samme teknikker vi bruger til at bygge hukommelse til computere,
18:54
we can use for here.
413
1109000
1000
kan vi bruge her.
18:55
But they're very differentforskellige typestyper of memorieserindringer.
414
1110000
2000
Men det er meget forskellige typer hukommelse.
18:57
And we're going to attachvedhæfte these memorieserindringer to sensorssensorer,
415
1112000
2000
Vi vil forbinde disse hukommelser til sensorer
18:59
and the sensorssensorer will experienceerfaring real-liveReal-live, real-worldvirkelige verden datadata,
416
1114000
3000
og sensorerne vil opfange øjeblikkelig data fra den virkelige verden
19:02
and these things are going to learnlære about theirderes environmentmiljø.
417
1117000
2000
og dermed vil disse ting lære om deres omgivelser.
19:04
Now it's very unlikelyusandsynlig the first things you're going to see are like robotsrobotter.
418
1119000
3000
Det er meget usandsynligt, at det første vi ser, vil blive som robotter.
19:07
Not that robotsrobotter aren'ter ikke usefulnyttig and people can buildbygge robotsrobotter.
419
1122000
3000
Ikke fordi de ikke er nyttige og vi kan godt bygge robotter.
19:10
But the roboticsrobotteknologi parten del is the hardesthårdeste parten del. That's the oldgammel brainhjerne. That's really hardhårdt.
420
1125000
4000
Men robotdelen er det sværeste. Det er den gamle hjerne og meget svært.
19:14
The newny brainhjerne is actuallyrent faktisk kindvenlig of easiernemmere than the oldgammel brainhjerne.
421
1129000
2000
Den nye hjerne er faktisk lettere end den gamle.
19:16
So the first thing we're going to do are the things that don't requirekræve a lot of roboticsrobotteknologi.
422
1131000
3000
Det bliver derfor først noget som ikke kræver meget indenfor robotter.
19:19
So you're not going to see C-C-3POPO.
423
1134000
2000
Du kommer altså ikke til at se C-3PO.
19:21
You're going to more see things like, you know, intelligentintelligent carsbiler
424
1136000
2000
Det bliver mere noget med intelligente biler
19:23
that really understandforstå what trafficTrafik is and what drivingkørsel is
425
1138000
3000
som virkelig forstår traffik og kørsel
19:26
and have learnedlærte that certainbestemte typestyper of carsbiler with the blinkersskyklapper on for halfhalvt a minuteminut
426
1141000
3000
og som har lært, at biler der har blinket fra i over et halvt minut
19:29
probablysandsynligvis aren'ter ikke going to turntur, things like that.
427
1144000
2000
sandsynligvis ikke drejer og ting som det.
19:31
(LaughterLatter)
428
1146000
1000
(Latter)
19:32
We can alsoogså do intelligentintelligent securitysikkerhed systemssystemer.
429
1147000
2000
Vi kan også lave intelligente sikkerhedssystemer.
19:34
AnywhereHvor som helst where we're basicallyi bund og grund usingved brug af our brainhjerne, but not doing a lot of mechanicsmekanik.
430
1149000
4000
Alle de steder vi bruger hjernen, men ikke laver så meget mekanisk.
19:38
Those are the things that are going to happenske first.
431
1153000
2000
Sådan nogle ting kommer til at ske først.
19:40
But ultimatelyultimativt, the world'sVerdens the limitbegrænse here.
432
1155000
2000
I sidste ende sætter kun fantasien grænser.
19:42
I don't know how this is going to turntur out.
433
1157000
2000
Jeg ved ikke, hvordan det ender.
19:44
I know a lot of people who inventedopfundet the microprocessormikroprocessor
434
1159000
2000
Jeg kender en del af de folk som opfandt mikroprocessoren
19:46
and if you talk to them, they knewvidste what they were doing was really significantvæsentlig,
435
1161000
5000
og de vidste godt, at det de lavede, var virkelig vigtigt
19:51
but they didn't really know what was going to happenske.
436
1166000
3000
men de vidste egentlig ikke, hvad der ville ske.
19:54
They couldn'tkunne ikke anticipateforegribe cellcelle phonestelefoner and the InternetInternet and all this kindvenlig of stuffting og sager.
437
1169000
5000
De kunne ikke forudse mobiltelefoner, internettet og al den slags.
19:59
They just knewvidste like, hey, they were going to buildbygge calculatorsregnemaskiner
438
1174000
2000
De vidste bare, de ville bygge lommeregnere
20:01
and trafficTrafik lightlys controllerscontrollere. But it's going to be bigstor.
439
1176000
2000
og styringssystemer til lyskryds. "Men det bliver stort."
20:03
In the samesamme way, this is like brainhjerne sciencevidenskab and these memorieserindringer
440
1178000
3000
På samme måde er det hjernevidenskab og hukommelse
20:06
are going to be a very fundamentalgrundlæggende technologyteknologi, and it's going to leadat føre
441
1181000
3000
som kommer til at være en grundlæggende teknologi og føre til
20:09
to very unbelievableutrolig changesændringer in the nextNæste 100 yearsflere år.
442
1184000
3000
nogle helt utrolige forandringer indenfor de næste 100 år.
20:12
And I'm mostmest excitedbegejstret about how we're going to use them in sciencevidenskab.
443
1187000
4000
Jeg er mest spændt på, hvordan vi vil bruge det indenfor videnskab.
20:16
So I think that's all my time, I'm over it, and I'm going to endende my talk
444
1191000
3000
Det var vist den tid, jeg havde. Jeg er gået over tid og vil slutte min
20:19
right there.
445
1194000
1000
præsentation lige her.
Translated by Theodor Klostergaard
Reviewed by Thomas Andersen

▲Back to top

ABOUT THE SPEAKER
Jeff Hawkins - Computer designer, brain researcher
Jeff Hawkins pioneered the development of PDAs such as the Palm and Treo. Now he's trying to understand how the human brain really works, and adapt its method -- which he describes as a deep system for storing memory -- to create new kinds of computers and tools.

Why you should listen

Jeff Hawkins' Palm PDA became such a widely used productivity tool during the 1990s that some fanatical users claimed it replaced their brains. But Hawkins' deepest interest was in the brain itself. So after the success of the Palm and Treo, which he brought to market at Handspring, Hawkins delved into brain research at the Redwood Center for Theoretical Neuroscience in Berkeley, Calif., and a new company called Numenta.

Hawkins' dual goal is to achieve an understanding of how the human brain actually works -- and then develop software to mimic its functionality, delivering true artificial intelligence. In his book On Intelligence (2004) he lays out his compelling, controversial theory: Contrary to popular AI wisdom, the human neocortex doesn't work like a processor; rather, it relies on a memory system that stores and plays back experiences to help us predict, intelligently, what will happen next. He thinks that "hierarchical temporal memory" computer platforms, which mimic this functionality (and which Numenta might pioneer), could enable groundbreaking new applications that could powerfully extend human intelligence.

More profile about the speaker
Jeff Hawkins | Speaker | TED.com