
Canada’s Excellence in Neuroscience Research
Listen to the Podcast:
Takeaways
- Neuroscience and neuroinformatics allow us to identify the social determinants of health and their impact on Canada’s future economy.
- There are incredible gains to be made in the development of brain-inspired artificial intelligence through neuroscience research.
- Researchers are typically ambivalent to the commercial potential of their work, and universities should create incubators, accelerators and institutes to spearhead the commercialization of lab research.
Action
The Canadian government needs to put in place opportunities for collaboration and partnership between academia and the commercial sector to help the neuroscience field achieve its economic potential. With government-funded programs explicitly designed to help commercialize this research, Canada can become a global hub for big data science, considering the country’s strong cultivation of research scientists and work in artificial intelligence development.
Les vidéos sont sous-titrés en français et le texte français suit ci-dessous.
What is your main area of focus and what does winning the Killam Prize mean to you?
My scientific background is in what we call neuroimaging, where we use brain scanners to look inside the living human brain, and neuroinformatics, which is a relatively new term, but essentially it means data science where we pull together all the information that we can collect from imaging, genetics, behaviour and biospecimens so that large-scale big science can be applied in neuroscience. I have a team of people developing those technologies.
Additionally, we have a community of young scientists, neurologists, and clinical researchers who work on brain development at one end of the age spectrum and on neurodegenerative diseases at the other. My role is to try and hold it all together. There is so much taking place in the lab, and I have to somehow be involved in all of this simultaneously.
“I found my niche in building a cross-disciplinary team of brilliant young people both scientific and technical, to take on big challenges in data science.”
The Killam Prize is a hugely respected award, both in Canada and on the international scene. It means so much to me as validation of a career path that has had some strange turns over the years. I found my niche in building a cross-disciplinary team of brilliant young people both scientific and technical, to take on big challenges in data science.
Interdisciplinarity became increasingly central to neuroscience through the 1990s. Along with this, computers became more widespread and powerful. We can now explore data in ways that were inconceivable only a decade ago. This award is, in many ways, a recognition of that journey, and is a testament to the importance of multidisciplinary perspectives in science today.
Why is research in neuroscience important to Canada’s future economy?
Neuroscience, or understanding the brain, has so many different domains that it is hard to grasp the overall scope. It ranges from molecular, cellular processes through systems neuroscience (brain wiring) and cognitive neuroscience in the normal brain, and on to clinical research into brain disorders. Today, we are increasingly concerned with social neuroscience: how do social rules of engagement affect brain development, and how do we quantify the social determinants of mental health, like anxiety, stress and depression? These considerations have a major impact on Canada’s economy. How do we optimize people’s performance in the workplace? How do we optimize rehabilitation from workplace injury?
There are a lot of issues related to brain plasticity or to brain disorders like stroke or multiple sclerosis. With an aging population, Canada will have to deal with a tremendous increase in disorders of aging, with spiralling costs in long-term care. It is essential that we better understand the origins and pathological mechanisms that result in these clinical conditions, so that we can design more effective interventions that mitigate those costs. Similar arguments can be made for psychiatric disorders, which are on the rise.
“With an aging population, Canada will have to deal with a tremendous increase in disorders, with spiraling costs in long-term care.”
But as well as the health sector, we have to consider the impact of neuroscience on technology development. You hear a lot about artificial intelligence (AI), but often the basic configurations of machine-learning algorithms are really quite simple in design: lots of nodes and lots of layers. You pour raw data in at the top and some patterns can be discerned, but it is not clear why this is so. This is not how the most sophisticated computer in existence, the human brain, operates.
There is a branch of AI known as brain-inspired AI that seeks to incorporate strategies the brain uses to make decisions such as so-called reinforcement learning. As we understand better how the brain effortlessly navigates through the external world and balances competing demands, these findings are being used to design more efficient AI technology with implications all across the economic spectrum. Just look at the explosive impact of AI in, for instance, self-driving cars, medical diagnosis, or, heaven forbid, military weapons and robotics.
What must be done to position Canada to lead in neuroscience?
Neuroscience is now so multidisciplinary, with mathematicians and physicists, alongside basic molecular and cellular neuroscientists as well as clinical researchers, that we are increasingly finding new areas of profitable research at the interfaces between traditional disciplines. We have to foster young scientists working at these interfaces, not treat them as orphans without a traditional departmental home. This is where universities have to get creative in building institutes and centres that are nimble and can support the growth of these young scientists and young generalists.
What must be done to translate Canadian research into life-improving applications? Who should lead the way?
The big problem is translation of basic science into clinical utility—what we call “the valley of death.” We now have a huge data-gathering capacity, with wearables, brain scanners, genetic screening, and so on. But how do we put all this information to use in the hands of our clinicians? Data analytics is key to reducing all of this data to knowledge and ultimately wisdom and clinical practice. We are searching for personalized treatment, but that requires analytics. You can see that I am concentrating very much on the need for advanced computational analytic processing to reduce the information that is made available to clinicians.
“Data analytics is key to reducing all of this data into knowledge and ultimately wisdom and clinical practice.”
This is going to come out of clinical research and people at the university institutions who have to pull together all of the basic science. They are at the sharp end of the problem, and are dealing with the data-handling problems. Clinicians are not going to want to deal with any of that. They are going to essentially want what we might call a tricorder.
You are all familiar with Star Trek and how Bones would just put a little tube against somebody’s neck and would know everything about them. That is essentially what we are trying to build conceptually: a device that has it all, captures all the information, and presents a digested diagnosis to the clinician. The clinician’s experience is still essential to take advantage of that information, but we have to present that information in a way that is easily assimilable by clinicians in their clinics.
What must be done and by whom to commercialize ground-breaking research in Canada?
We need incubators. So many researchers are clueless about the commercial potential of their work. We need to put the academics alongside the commercial translation arms of the university. We need to set up these incubator environments—centres, institutes and other nimble environments—that can adapt to the changing technology and what is ultimately pouring out of the basic-research labs.
There is a long translational pathway between basic research and commercial translation, and it does not happen by accident. It needs a lot of work to build these environments, where you put people who know how to commercialize technology but may not know the particulars of the technology, alongside the researchers who are great at the basic science but cannot organize a business to save their lives—they are not interested in that kind of thing.
But if someone shows them how to do it, how to break down those barriers, and how to fill out those forms, they are perfectly happy to go down that road. You need a lot of support for the commercialization translation part of the equation.
“So many researchers are clueless about the commercial potential of their work.”
At some point, you have to have a conversation at the larger strategic level, at the level of government, to put in place programs that foster a greater degree of commitment in investment by the academic sector into commercial translation. Universities often feel that they have a different mission, that they are there to do basic research and training, and commercialization is often an afterthought. There is a need for government to take the lead here and put in place more explicitly funded programs to foster translation to commercialization.
Can you describe the BigBrain which is pictured behind you?
That is an image of the so-called BigBrain. The BigBrain is an example of big-data science, in that it combines two different aspects of brain research. On the one hand, you have what we call brain imaging or neuroimaging, which provides us with a three-dimensional picture of the brain, but at relatively poor spatial resolution—about a millimetre in each of the three dimensions. This data set is the equivalent of 125,000 MRI volumes. We collected this in partnership with our colleagues in Germany at the Jülich Research Centre, and we did all the computational analytic work to stitch together over 7,000 two-dimensional histology slices through the brain and build them up into a three-dimensional data set.
“BigBrain has become a global standard for looking into the very fine detail of the brain anatomy at 20 microns at hitherto unmatched spatial resolution.”
That was a labour of love, and years of work were involved in doing that by people in my lab. That allowed us to build up this three-dimensional data set. We placed it in the open domain and put it out there for anybody in the world to get at and use. In fact, the last time we looked, it had been downloaded by 25,000 different scientists over the years. BigBrain has become a global standard for looking into the very fine detail of the brain anatomy at 20 microns, at hitherto unmatched spatial resolution.
What new areas of research coming out of Canada are you most excited about?
Canada in general, and Montreal in particular, is considered one of the leading centres in the world for artificial intelligence. My colleague Yoshua Bengio at the University of Montreal is one of the front-rank scientists in that field.
My excitement about AI lies in how it interacts with neuroscience. If you combine artificial intelligence with information about genetics, brain imaging, behavioural testing and psychological instruments, you can look into the workings of the human brain in a manner that has just not been possible before. We can look at mechanisms of brain development, normal aging and cognition, and brain disorders. We can look at what we call connectomics, the connectivity of the brain, in all these various settings.
I am extremely excited about what we are going to learn over the next few decades. We are moving at lightning speed in collecting data, and we are now at the point where we can synthesize all that information and get new insights into how the brain works in a way that was just not possible even a decade ago.
The interface between neuroscience and artificial intelligence is the interface science that I was talking about before. You have experts in both areas, and to a considerable degree they were operating independently in the past. We are now beginning to put these two communities together with very exciting results. I am involved in an international project with our German colleagues that is specifically focused on the development of neuroscience and AI. Brain-inspired computing—artificial intelligences—is one of the components of that work.
At this point, I cannot see any area that is more exciting in terms of what it can reveal to us about the machinery and workings of the human brain in all of those various application settings that I mentioned.
Who would you pitch to help strengthen and improve Canadian excellence in research and what would you urge them to do?
To effect the kinds of changes that are needed, you have to go to the top. You have to speak to the Prime Minister, but, alongside the Prime Minister, you should be speaking to the federal ministers for trade and economic development.
Canada is uniquely placed in the world. We are large enough to have an impact on the global stage, but are small enough to be organizable. We have a highly skilled and highly respected scientific community in Canada. We are certainly hitting above our weight as a country with our research scientists. We can use our national knowledge infrastructure to foster research and become a place where global researchers go.
You are familiar with CERN in Switzerland or the Sudbury Nutrino Observatory (SNO) and TRIUMF, the two high-energy physics environments in Canada. Make performing big-data analytics on Canadian IT infrastructures free, make Canada a global hub for big-data science, go ‘all in’ on computational research in all of science, not just neuroscience, and remember that it is about people, not hardware—it is about algorithm development, not toys. If Canada invests in a major way in training, infrastructure, computational research and faculty hiring, that will have the greatest payoff for Canada in the future.
Any final thoughts?
I wish I were starting out. It is so exciting to see all this coming together. Something that I dreamed about 20, 30 years ago is now a reality.
L’excellence en recherche neuroscientifique au Canada
Takeaways
- La neuroscience et la neuroinformatique nous permettent d’identifier les déterminants sociaux de la santé et leur impact sur l’économie future du Canada.
- Il y a des gains incroyables à faire dans le développement de l’intelligence artificielle inspiré par le cerveau grâce à la recherche en neurosciences.
- Les chercheurs sont généralement ambivalents face au potentiel commercial de leurs travaux, et les universités devraient créer des incubateurs, des accélérateurs et des instituts pour diriger la commercialisation de la recherche en laboratoire.
Action
Le gouvernement canadien doit mettre en place des possibilités de collaboration et de partenariat entre le milieu universitaire et le secteur commercial pour aider le domaine des neurosciences à réaliser son potentiel économique. Avec des programmes financés par le gouvernement explicitement conçus pour aider à commercialiser cette recherche, le Canada peut devenir une plaque tournante mondiale de la science des mégadonnées, compte tenu de la forte formation de chercheurs scientifiques du pays et des travaux de développement de l’intelligence artificielle.
Quel est votre champ de spécialisation, et que signifie pour vous la réception d’un prix Killam?
Ma formation scientifique est en neuro-imagerie, c’est-à-dire l’utilisation de scanneurs pour voir à l’intérieur du cerveau humain vivant, ainsi qu’en neuro-informatique, un terme relativement nouveau qui désigne essentiellement le fait de collecter toutes les données scientifiques disponibles (grâce à l’imagerie, à la génétique, au comportement, aux échantillons de matériel biologique) pour que la mégascience puisse être appliquée à la neuroscience. J’ai une équipe qui met au point ces technologies, et puis nous avons une communauté de jeunes scientifiques, neurologues et chercheurs-cliniciens qui travaillent sur le développement du cerveau, soit tout au début du spectre de l’âge, et d’autres sur les maladies neurodégénératives, à l’autre bout de ce spectre. Mon rôle est de tout coordonner. Il se passe beaucoup de choses au laboratoire, et il faut que je sois un peu partout à la fois.
“J’ai trouvé mon créneau en formant une équipe interdisciplinaire de jeunes gens brillants, à la fois sur le plan technique et scientifique, pour m’attaquer aux grands défis de la science des données.”
Les prix Killam sont des distinctions immensément respectées au Canada et sur la scène internationale. C’est une grande validation de ma carrière, qui a pris plusieurs curieux détours au cours des années. J’ai trouvé mon créneau en formant une équipe interdisciplinaire de jeunes gens brillants, à la fois sur le plan technique et scientifique, pour m’attaquer aux grands défis de la science des données. Celles-ci ont pris une importance considérable pour la neuroscience dans les années 1990. Sans compter que les ordinateurs sont devenus de plus en plus répandus et puissants. Nous pouvons explorer les données d’une façon qui n’était même pas concevable il y a une dizaine d’années. Ce prix Killam est, à plusieurs égards, une reconnaissance de cette épopée, et il témoigne bien de l’importance des perspectives multidisciplinaires en science aujourd’hui, en général.
Pourquoi la recherche en neuroscience est-elle importante pour l’économie future du Canada?
La neuroscience, soit la compréhension du cerveau, comporte tellement de domaines différents qu’il est difficile d’en saisir toute la portée. Ceux-ci comprennent les processus moléculaires et cellulaires par l’entremise de la neuroscience des systèmes, les connexions cérébrales, les neurosciences cognitives du cerveau normal et, enfin, la recherche clinique sur les troubles cérébraux. Aujourd’hui, nous sommes de plus en plus préoccupés par la neuroscience sociale : comment les règles de la participation sociale touchent le développement du cerveau, et comment quantifier les facteurs sociaux déterminants pour la santé mentale, comme dans le cas de l’anxiété, du stress et de la dépression, par exemple. Ces considérations ont de grandes retombées sur l’économie canadienne. Comment optimiser le rendement de la main d’œuvre? Comment optimiser la réadaptation après une blessure au travail? Il y a aussi beaucoup d’enjeux liés à la plasticité du cerveau, ou à des problèmes de santé, comme les accidents vasculaires cérébraux ou la sclérose en plaques. Avec sa population vieillissante, le Canada devra composer avec une forte hausse des troubles liés au vieillissement, et les coûts vertigineux des soins à long terme. Il est essentiel de mieux comprendre les origines et les mécanismes pathologiques qui entraînent ces conditions cliniques, afin de mieux concevoir des interventions efficaces qui limitent ces coûts. Des arguments similaires peuvent être formulés pour les troubles psychiatriques, qui sont en hausse.
“Avec sa population vieillissante, le Canada devra composer avec une forte hausse des troubles liés au vieillissement, et les coûts vertigineux des soins à long terme.”
Outre le secteur de la santé, il faut considérer l’influence de la neuroscience sur le développement technologique. On entend beaucoup parler d’intelligence artificielle (IA), mais souvent, les configurations de base des algorithmes de l’apprentissage machine sont très simples : beaucoup de nœuds et beaucoup de couches. On insère des données brutes au début, et certains schémas peuvent être détectés, mais on ne sait pas très bien pourquoi. Ce n’est pas comme cela que fonctionne le cerveau humain, l’ordinateur le plus sophistiqué qui ait jamais existé. Il y a un secteur de l’IA appelé « IA bio-inspirée » qui vise à intégrer des stratégies utilisées par le cerveau pour prendre des décisions, à la manière de « l’apprentissage par renforcement ». Alors que nous comprenons mieux comment le cerveau navigue sans effort dans le monde extérieur et réussit à concilier des exigences simultanées, ces constats sont utilisés pour concevoir des technologies d’IA plus efficientes, ce qui a des retombées pour l’ensemble du spectre économique. Il n’y a qu’à voir les retombées explosives de l’IA dans des domaines comme les voitures intelligentes, les diagnostics médicaux ou, le ciel nous en préserve, les armes et les robots militaires.
Qu’est-ce qui doit être fait pour positionner le Canada comme chef de file en neuroscience?
La neuroscience est maintenant vraiment multidisciplinaire, avec des mathématiciens et des physiciens qui travaillent aux côtés de neuroscientifiques ainsi que de chercheurs cliniques, à tel point que nous trouvons de plus en plus de façons de mener des recherches profitables aux points de contact entre les disciplines traditionnelles. Il nous faut accueillir ces jeunes scientifiques, pas les traiter comme des orphelins sans département propre à eux. C’est là que les universités doivent se montrer créatives et mettre sur pied des instituts et des centres qui sont agiles et qui peuvent appuyer la croissance de ces jeunes scientifiques et de ces jeunes généralistes.
Qu’est-ce qui doit être fait pour traduire la recherche canadienne en applications qui permettront d’améliorer la vie? Qui devrait montrer l’exemple?
Le grand problème consiste à traduire la science fondamentale en utilité clinique, c’est ce qu’on appelle la « vallée de la mort ». Nous disposons actuellement de grandes capacités pour recueillir des données, grâce à des technologies portables, aux scanneurs, aux scanneurs cérébraux, au dépistage génétique, etc., mais comment transformer toute cette information en quelque chose de pratique pour les cliniciens? L’analyse des données est essentielle pour transformer toutes ces données en connaissances, puis, ultimement, en sagesse, et en pratiques cliniques. Nous cherchons des traitements personnalisés, mais cela demande de l’analyse. Vous pouvez constater que j’insiste beaucoup sur le besoin de traitement analytique informatisé pour réduire l’ampleur de l’information rendue disponible aux cliniciens.
“L’analyse des données est essentielle pour transformer toutes ces données en connaissances, puis, ultimement, en sagesse, et en pratiques cliniques.”
Cela va venir de recherches cliniques et de gens, dans des établissements universitaires, qui vont réussir à synthétiser l’ensemble de la science fondamentale. Ces gens sont aux premières loges du problème, et ils doivent composer avec les difficultés de la manipulation des données. Les cliniciens ne voudront pas avoir affaire à cela. Ce qu’ils vont vouloir, c’est ce qu’on appelle un « tricordeur ». Vous connaissez tous Star Trek et ce petit tube que Bones applique contre le cou de quelqu’un pour tout savoir à son sujet. C’est essentiellement cela que nous essayons de concevoir : un appareil qui fait tout, qui capture toute l’information et qui présente un diagnostic assimilable par le clinicien. L’expérience du clinicien sera tout de même nécessaire pour tirer parti de ces renseignements, mais il s’agit de présenter cette information d’une façon qui est assimilable par le clinicien dans sa clinique.
Qu’est-ce qui doit être fait pour commercialiser les recherches de pointe au Canada, et qui doit s’en charger?
Il nous faut des incubateurs. Il y a tellement de chercheurs qui n’ont aucune idée du potentiel commercial de leur travail. Il faut faire travailler les universitaires aux côtés des services d’application commerciale de l’université. Nous devons créer ces incubateurs, ces centres et instituts, et d’autres environnements agiles qui peuvent s’adapter aux changements technologiques et à ce qui sort des laboratoires fondamentaux. Il y a un long chemin à parcourir entre la recherche fondamentale et les applications commerciales, et cela ne se fera pas tout seul. Il faudra beaucoup de travail pour créer ces environnements où l’on rassemble les gens qui savent commercialiser les technologies sans en connaître les particularités, et les chercheurs qui connaissent bien leur domaine, mais qui ne pourraient jamais en cent ans gérer une entreprise (cela ne les intéresse tout simplement pas). Cependant, si quelqu’un leur montre comment faire, comment surmonter les obstacles, comment remplir les formulaires, ils sont tout à fait heureux de se lancer. Il faut beaucoup de soutien pour procéder à la commercialisation.
“Il y a tellement de chercheurs qui n’ont aucune idée du potentiel commercial de leur travail.”
Il faut aussi avoir une conversation stratégique plus générale, à l’échelle gouvernementale, pour mettre en place des programmes qui favorisent un plus grand engagement financier, par le secteur proprement universitaire, dans les applications commerciales. Les universitaires sentent souvent qu’ils ont une mission bien différente lorsqu’ils font de la recherche et de la formation fondamentales. Ainsi, la commercialisation ne vient qu’après coup. Il faut que le gouvernement prenne les devants dans ce domaine et finance explicitement des programmes d’application commerciale.
Pouvez-vous me parler du BigBrain, qui est représenté derrière vous?
C’est une image de ce qu’on appelle le BigBrain. C’est un exemple de la science des mégadonnées, car il combine deux différents aspects de la recherche sur le cerveau. D’un côté, nous avons ce qu’on appelle l’imagerie cérébrale, ou neuro-imagerie, qui nous fournit une image tridimensionnelle du cerveau, mais avec une résolution spatiale relativement faible – soit environ 1 millimètre dans chacune des trois dimensions. Cet ensemble de données contient l’équivalent, en volume, de 125 000 IRM. Nous avons recueilli ces données en partenariat avec nos collègues allemands du Jülich Research Centre, et nous avons fait tout le travail d’analyse informatique pour rassembler plus de 7 000 tranches histologiques bidimensionnelles dans l’ensemble du cerveau et bâtir cet ensemble de données tridimensionnel.
“Le BigBrain est devenu la norme mondiale pour observer les plus infimes détails de l’anatomie du cerveau, à 20 microns, une résolution spatiale encore inégalée.”
C’était un travail fait avec passion par les gens de mon laboratoire, et cela nous a pris des années. Cela nous a permis de bâtir cet ensemble de données tridimensionnel. Nous l’avons placé dans le domaine public, alors quiconque dans le monde peut l’utiliser. La dernière fois que nous avons vérifié, il avait été téléchargé par 25 000 scientifiques différents, au fil des années. Le BigBrain est devenu la norme mondiale pour observer les plus infimes détails de l’anatomie du cerveau, à 20 microns, une résolution spatiale encore inégalée.
Quels nouveaux domaines de recherche au Canada vous emballent le plus?
Le Canada en général, et Montréal en particulier, sont considérés comme des chefs de file mondiaux pour l’intelligence artificielle. Mon collègue Yoshua Bengio de l’Université de Montréal est l’un des précurseurs du domaine. Mon enthousiasme par rapport à l’IA tient à ses interactions avec la neuroscience. Si on combine l’intelligence artificielle avec l’information sur la génétique, l’imagerie cérébrale, les tests comportementaux et les instruments psychologiques, on peut voir les rouages du cerveau humain d’une manière totalement inédite. On peut voir les mécanismes du développement cérébral, du vieillissement normal et de la cognition, ainsi que des troubles cérébraux. On peut voir ce qu’on appelle la «connectomique », soit la connectivité du cerveau, et ce, dans tous ces contextes différents. Je suis extrêmement emballé par ce que nous allons apprendre au fil des prochaines décennies. Nous avançons à la vitesse de l’éclair, en ce moment, dans nos collectes de données, et nous en sommes à un point où nous pouvons synthétiser toute cette information et avoir de nouvelles perspectives sur le fonctionnement du cerveau, d’une façon qui était impensable il n’y a même pas dix ans.
Les interactions entre la neuroscience et l’intelligence artificielle reviennent à ce que je disais un peu plus tôt : les points de contact entre les disciplines. On a des experts dans les deux domaines, et en général, dans le passé, ils travaillaient de façon indépendante. Maintenant, on commence à voir ces deux communautés ensemble, et cela entraîne des résultats incroyables. Je participe à un projet international avec nos collègues allemands qui s’intéresse particulièrement au développement des neurosciences et de l’IA – le calcul bio-inspiré est l’une des composantes de ce travail. En ce moment, je ne vois rien de plus excitant : tout ce que cela peut nous révéler sur la machinerie et les rouages du cerveau humain dans tous les domaines d’application que j’ai mentionnés.
Qui tenteriez-vous de convaincre de renforcer et d’améliorer l’excellence en recherche canadienne, et que leur diriez-vous de faire?
Pour parvenir aux changements nécessaires, il faut partir du sommet. Il faut parler au premier ministre, mais aussi aux ministres du Commerce et du Développement économique. La situation du Canada est unique au monde. Nous sommes assez grands pour avoir un impact sur la scène mondiale, mais assez petits pour être organisés. Notre communauté scientifique est très qualifiée et très respectée. Nous en faisons beaucoup plus que ce à quoi on pourrait s’attendre d’un pays comme le nôtre. Nous pouvons utiliser notre infrastructure de connaissances afin de favoriser la recherche et de devenir une destination pour les chercheurs du monde entier. Vous connaissez le CERN en Suisse, ou le Sudbury Neutrino Observatory (SNO), ou encore TRIUMF, les environnements de physique des hautes énergies au Canada. Rendons l’analyse de mégadonnées gratuite sur les infrastructures des technologies de l’information canadiennes, faisons du Canada un pôle mondial de la science des mégadonnées, misons le tout pour le tout en recherche informatique, pas juste en neuroscience, mais dans toutes les sciences, et rappelons-nous que celles-ci servent les humains, pas le matériel. Le but est de développer des algorithmes, pas des jouets. Si le Canada investit massivement dans la recherche informatique, dans l’embauche de professeurs, dans la formation et dans l’infrastructure, nous verrons d’excellentes retombées pour le Canada à l’avenir.
Le mot de la fin?
J’aimerais être tout au début de ma carrière. C’est tellement emballant de voir tout cela prendre forme. Des choses dont je rêvais il y a 20, 30 ans sont maintenant des réalités.



