ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED@BCG Paris

Blaise Agüera y Arcas: How computers are learning to be creative

بليز أوغيرا إي أركاس: كيف تتعلم الحواسيب لتصبح مبدعة؟

Filmed:
1,934,067 views

نحن نقف على تخوم عهد جديد من الفن والإبداع -- وهو غير متعلق بالإنسان. يعمل العالم الرئيسي في غوغل (بليز أوغيرا إي أركاس) على شبكات عصبية عميقة للإدراك الصناعي والتعليم الموزّع. في هذا العرض الأسر، يعرض كيف أن الشبكات العصبية المدرّبة على التعرف على الصور يمكن جعلها تعمل على نحو عكسي لتوليد هذه الصور. النتيجة هي ملصقات فنية-وقصائد- باهرة وهذيانية والتي تتحدى التصنيف. يقول (بليز أوغيرا إي أركاس) "الإدراك والإبداع مترابطان على نحو وثيق" كما يواصل "أي مخلوق، أي كائن قادر على الإتيان بأفعال حسية، قادر كذلك على التكوين."
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

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

00:12
So, I leadقيادة a teamالفريق at Googleجوجل
that worksأعمال on machineآلة intelligenceالمخابرات;
0
800
3124
حسنا، أقود فريقاً في غوغل
يعمل في مجال الذكاء الاصطناعي؛
00:15
in other wordsكلمات, the engineeringهندسة disciplineتهذيب
of makingصناعة computersأجهزة الكمبيوتر and devicesالأجهزة
1
3948
4650
بعبارة أخرى،
النظام الهندسي لصنع الحواسيب والأجهزة
00:20
ableقادر to do some of the things
that brainsعقل do.
2
8622
2419
القادرة علي القيام ببعض الأمور
التي يفعلها الدماغ.
00:23
And this makesيصنع us
interestedيستفد in realحقيقة brainsعقل
3
11439
3099
وهذا مايجعلنا مهتمين بالدماغ الطبيعي
00:26
and neuroscienceعلم الأعصاب as well,
4
14562
1289
وعلم الأعصاب علي حد سواء،
00:27
and especiallyخصوصا interestedيستفد
in the things that our brainsعقل do
5
15875
4172
ونهتم بشكل خاص
بالأمور التي تقوم بها أدمغتنا
00:32
that are still farبعيدا superiorمتفوق
to the performanceأداء of computersأجهزة الكمبيوتر.
6
20071
4042
والتي ما تزال متفوقة جداُ
علي أداء الحواسيب.
00:37
Historicallyتاريخيا, one of those areasالمناطق
has been perceptionالمعرفة,
7
25209
3609
تاريخياً، كان الإدراك أحد تلك الأشياء،
00:40
the processمعالج by whichالتي things
out there in the worldالعالمية --
8
28842
3039
وهي العملية التي من خلالها
يمكن للأشياء المحيطة --
00:43
soundsاصوات and imagesصور --
9
31905
1584
كالأصوات والصور --
00:45
can turnمنعطف أو دور into conceptsالمفاهيم in the mindعقل.
10
33513
2178
أن تتحول إلي أفكار في العقل.
00:48
This is essentialأساسى for our ownخاصة brainsعقل,
11
36235
2517
وهذا أساسي لأدمغتنا،
00:50
and it's alsoأيضا prettyجميلة usefulمفيد on a computerالحاسوب.
12
38776
2464
وأيضاً مفيد جداً في الحواسيب.
00:53
The machineآلة perceptionالمعرفة algorithmsخوارزميات,
for exampleمثال, that our teamالفريق makesيصنع,
13
41636
3350
خوارزميات الإدراك الآليه،
على سبيل المثال، التي يصنعها فريقنا،
00:57
are what enableمكن your picturesالصور
on Googleجوجل Photosالصور to becomeيصبح searchableبحث,
14
45010
3874
هي مايجعل صورك على محرك بحث غوغل للصور
قابلة للبحث،
01:00
basedعلى أساس on what's in them.
15
48908
1397
بناءً علي محتوياتها.
01:03
The flipيواجه sideجانب of perceptionالمعرفة is creativityالإبداع:
16
51594
3493
الوجة الآخر للإدراك هو الإبداع:
01:07
turningدوران a conceptمفهوم into something
out there into the worldالعالمية.
17
55111
3038
أن تحول مفهوماً ما إلى شئ
ملموس يهم العالم.
01:10
So over the pastالماضي yearعام,
our work on machineآلة perceptionالمعرفة
18
58173
3555
لذك خلال العام الماضي،
فإن عملنا في الإدراك الإصطناعي
01:13
has alsoأيضا unexpectedlyبشكل غير متوقع connectedمتصل
with the worldالعالمية of machineآلة creativityالإبداع
19
61752
4859
قد اقترن على نحو غير متوقع
بالإبداع الآلي
01:18
and machineآلة artفن.
20
66635
1160
والفن الآلي.
01:20
I think Michelangeloمايكل أنجلو
had a penetratingمخترق insightتبصر
21
68556
3284
أعتقد أن (مايكل أنجلو) كان يملك
بصيرةً نافذة
01:23
into to this dualمزدوج relationshipصلة
betweenما بين perceptionالمعرفة and creativityالإبداع.
22
71864
3656
في هذه العلاقة الثنائية
بين الإدراك والإبداع.
01:28
This is a famousمشهور quoteاقتبس of his:
23
76023
2006
هذه مقولة مشهورة نقلاً عنه:
01:30
"Everyكل blockمنع of stoneحجر
has a statueتمثال insideفي داخل of it,
24
78053
3323
"كل كتلة حجرية تحمل في داخها تمثالاً
01:34
and the jobوظيفة of the sculptorنحات
is to discoverاكتشف it."
25
82036
3002
ومهمة النحات هي أن يكتشفه".
01:38
So I think that what
Michelangeloمايكل أنجلو was gettingالحصول على at
26
86029
3216
لذا أعتقد أن مايرمي اليه (مايكل أنجلو) هو
01:41
is that we createخلق by perceivingإدراك,
27
89269
3180
أننا نبدع بمدى استيعابنا،
01:44
and that perceptionالمعرفة itselfبحد ذاتها
is an actفعل of imaginationخيال
28
92473
3023
وأن الإدراك ذاته هو عملية تخيل
01:47
and is the stuffأمور of creativityالإبداع.
29
95520
2461
وهو أيضاً أداة الإبداع.
01:50
The organعضو that does all the thinkingتفكير
and perceivingإدراك and imaginingتخيل,
30
98691
3925
العضو الذي يقوم
بكل التفكير والإستيعاب والتخيّل،
01:54
of courseدورة, is the brainدماغ.
31
102640
1588
هو بالطبع، الدماغ.
01:57
And I'd like to beginابدأ
with a briefنبذة bitقليلا of historyالتاريخ
32
105089
2545
و أودّ أن أبدأ بنبذه تاريخية قصيرة
01:59
about what we know about brainsعقل.
33
107658
2302
عن ما نعرفه عن الدماغ.
02:02
Because unlikeمختلف, say,
the heartقلب or the intestinesأمعاء,
34
110496
2446
لأنه، خلافاً لمثلاً، القلب أو الأمعاء.
02:04
you really can't say very much
about a brainدماغ by just looking at it,
35
112966
3144
لا يمكنك قول الكثير عن الدماغ
بمجرد النظر اليه،
02:08
at leastالأقل with the nakedعار eyeعين.
36
116134
1412
على الأقل بالعين المجردة.
02:09
The earlyمبكرا anatomistsعلماء التشريح who lookedبدا at brainsعقل
37
117983
2416
علماء التشريج الأوائل
الذين نظروا في الدماغ
02:12
gaveأعطى the superficialسطحي structuresالهياكل
of this thing all kindsأنواع of fancifulخيالي namesأسماء,
38
120423
3807
منحوا البنى السطحية للدماغ جميع
المصطلحات المبهرجة،
02:16
like hippocampusقرن آمون, meaningالمعنى "little shrimpجمبري."
39
124254
2433
مثل الحصين، الذي يعني "الجمبري الصغير."
02:18
But of courseدورة that sortفرز of thing
doesn't tell us very much
40
126711
2764
وبالطبع هذا النمط من الأمور
لا يخبرنا بالكثير
02:21
about what's actuallyفعلا going on insideفي داخل.
41
129499
2318
عن ما يحدث في الداخل.
02:24
The first personشخص who, I think, really
developedالمتقدمة some kindطيب القلب of insightتبصر
42
132780
3613
أعتقد بحق، أن أول من قام بتكوين
نوع من البصيرة
02:28
into what was going on in the brainدماغ
43
136417
1930
عما يحدث داخل الدماغ
02:30
was the great Spanishالأسبانية neuroanatomistneuroanatomist,
Santiagoسانتياغو Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajalكاجال,
44
138371
3920
كان عالم تشريح الأعصاب العظيم
(سانتياغو رامون كاخال)،
02:34
in the 19thعشر centuryمئة عام,
45
142315
1544
في القرن التاسع عشر،
02:35
who used microscopyالمجهر and specialخاص stainsصبغات
46
143883
3755
و الذي استخدم المجهر وأصبغة خاصة
02:39
that could selectivelyانتقائي fillملء in
or renderيجعل in very highمتوسط contrastتناقض
47
147662
4170
و التي كان بإمكانها أن تملأ الخلايا
المفردة في الدماغ
02:43
the individualفرد cellsخلايا in the brainدماغ,
48
151856
2008
بتباينٍ شديد الوضوح،
02:45
in orderطلب to startبداية to understandتفهم
theirهم morphologiesالأشكال التضاريسية.
49
153888
3154
من أجل البدء بفهم تكوينها الشكلي.
02:49
And these are the kindsأنواع of drawingsالرسومات
that he madeمصنوع of neuronsالخلايا العصبية
50
157972
2891
و هذه هي أنواع الرسومات التي ابتكرها من
الخلايا العصبية
02:52
in the 19thعشر centuryمئة عام.
51
160887
1209
في القرن التاسع عشر.
02:54
This is from a birdطائر brainدماغ.
52
162120
1884
هذا من دماغ طائر.
02:56
And you see this incredibleلا يصدق varietyتشكيلة
of differentمختلف sortsأنواع of cellsخلايا,
53
164028
3057
ويمكنك رؤية التنوع الرائع لمختلف
أنواع الخلايا،
02:59
even the cellularخلوي theoryنظرية itselfبحد ذاتها
was quiteالى حد كبير newالجديد at this pointنقطة.
54
167109
3435
حتى النظرية الخلوية نفسها كانت حديثة العهد
في تلك المرحلة.
03:02
And these structuresالهياكل,
55
170568
1278
وهذه البنى،
03:03
these cellsخلايا that have these arborizationsarborizations,
56
171870
2259
هذه الخلايا التي لديها هذه التغصنات
النهائية،
هذه التفرعات التي يمكنها أن تتمدد لمسافات
طويلة جداً جداً
03:06
these branchesالفروع that can go
very, very long distancesالمسافات --
57
174153
2608
كان أمراً غير مألوف في تلك الحقبة.
03:08
this was very novelرواية at the time.
58
176785
1616
03:10
They're reminiscentتذكري, of courseدورة, of wiresالأسلاك.
59
178779
2903
بالطبع، إنها أسلاك حافلة بالذكريات،.
03:13
That mightربما have been obviousواضح
to some people in the 19thعشر centuryمئة عام;
60
181706
3457
قد يبدو الأمر واضحاً للبعض في القرن 19؛
03:17
the revolutionsالثورات of wiringشبكة أسلاك and electricityكهرباء
were just gettingالحصول على underwayقيد التنفيذ.
61
185187
4314
ثورة الأسلاك و الكهرباء كانت
لا تزال قيد البناء.
لكن في العديد من النواحي،
03:21
But in manyكثير waysطرق,
62
189964
1178
03:23
these microanatomicalmicroanatomical drawingsالرسومات
of Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajal'sوكاجال, like this one,
63
191166
3313
كانت هذه الرسومات المجهرية ل(رامون كاخال)
كهذه الرسمة،
03:26
they're still in some waysطرق unsurpassedلا نظير لهما.
64
194503
2332
كانت لا تزال بشكل ما متعثرة الخطى.
03:28
We're still more than a centuryمئة عام laterفي وقت لاحق,
65
196859
1854
ولا نزال بعد أكثر من قرن،
03:30
tryingمحاولة to finishإنهاء the jobوظيفة
that Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajalكاجال startedبدأت.
66
198737
2825
نحاول إنهاء المهمة التي بدأها
(رامون كاخال).
03:33
These are rawالخام dataالبيانات from our collaboratorsالمتعاونين
67
201586
3134
هذه بيانات خام من مساعدينا
03:36
at the Maxماكس Planckبلانك Instituteمعهد
of Neuroscienceعلم الأعصاب.
68
204744
2881
في معهد ماكس بلانك لعلم الأعصاب.
03:39
And what our collaboratorsالمتعاونين have doneفعله
69
207649
1790
وما فعله مساعدونا
03:41
is to imageصورة little piecesقطع of brainدماغ tissueمناديل ورقية.
70
209463
5001
هو رسم أجزاء صغيرة من نسيج دماغي.
03:46
The entireكامل sampleعينة here
is about one cubicمكعب millimeterملليمتر in sizeبحجم,
71
214488
3326
حجم العينة الكاملة هنا حوالي ميليميتر
مكعب واحد،
03:49
and I'm showingتظهر you a very,
very smallصغير pieceقطعة of it here.
72
217838
2621
هنا أريكم جزءاً صغيراً جداً جداً منها.
03:52
That barشريط on the left is about one micronميكرون.
73
220483
2346
طول الخط الموجود إلى اليسار
حوالي مايكرون واحد.
البنى التي ترونها هي الجسيمات الكوندرية
(ميتوكوندريا)
03:54
The structuresالهياكل you see are mitochondriaالميتوكوندريا
74
222853
2409
03:57
that are the sizeبحجم of bacteriaبكتيريا.
75
225286
2044
و هي بحجم الباكتريا.
03:59
And these are consecutiveعلى التوالي slicesشرائح
76
227354
1551
و هذه شرائح متلاحقة
04:00
throughعبر this very, very
tinyصغيرة جدا blockمنع of tissueمناديل ورقية.
77
228929
3148
خلال كتلة النسيج هذه المتناهية في الصغر.
04:04
Just for comparison'sفي المقارنة sakeمصلحة,
78
232101
2403
و على سبيل المقارنة فقط،
04:06
the diameterقطر الدائرة of an averageمعدل strandساحل
of hairشعر is about 100 micronsميكرون.
79
234528
3792
فإن قطر خصلة شعر عادية حوالي 100 مايكرون.
04:10
So we're looking at something
much, much smallerالأصغر
80
238344
2274
و بهذا فإننا ننظر إلى شئ أصغر بكثيرٍ جداً
04:12
than a singleغير مرتبطة strandساحل of hairشعر.
81
240642
1398
من خصلة شعر واحدة.
04:14
And from these kindsأنواع of serialمسلسل
electronالإلكترون microscopyالمجهر slicesشرائح,
82
242064
4031
و من خلال هذه الأنواع من الشرائح
المأخوذة بمجهر إلكتروني تسلسلي،
04:18
one can startبداية to make reconstructionsإعادة البناء
in 3D of neuronsالخلايا العصبية that look like these.
83
246119
5008
يمكن للمرء أن يبدأ العمل على إعادة بناء
نموذج ثلاثي الأبعاد لخلية عصبية تبدو كهذه.
04:23
So these are sortفرز of in the sameنفسه
styleقلم المدقة as Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajalكاجال.
84
251151
3157
إذاً هذه أنماط مشابهة نوعاً ما لتلك التي
لدى (رامون كاخال).
04:26
Only a fewقليل neuronsالخلايا العصبية litأشعل up,
85
254332
1492
و قد ظهرت بضع خلايا عصبية فقط،
04:27
because otherwiseغير ذلك we wouldn'tلن
be ableقادر to see anything here.
86
255848
2781
و إلا ما كنا لنستطيع أن نرى أي شيء هنا.
04:30
It would be so crowdedمزدحما,
87
258653
1312
كانت لتبدو شديدة الإزدحام،
04:31
so fullممتلئ of structureبناء,
88
259989
1330
غنية بالتركيب،
04:33
of wiringشبكة أسلاك all connectingتوصيل
one neuronالخلايا العصبية to anotherآخر.
89
261343
2724
و الوصلات التي تربط الخلايا العصبية
ببعضها البعض.
04:37
So Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajalكاجال was a little bitقليلا
aheadالمكانية of his time,
90
265293
2804
بهذا كان (رامون كاخال) سابقاً
لعصره بعض الشيء،
04:40
and progressتقدم on understandingفهم the brainدماغ
91
268121
2555
و متقدماً في فهمه للدماغ
04:42
proceededباشر slowlyببطء
over the nextالتالى fewقليل decadesعقود.
92
270700
2271
تابع ببطئ خلال العقود اللاحقة.
04:45
But we knewعرف that neuronsالخلايا العصبية used electricityكهرباء,
93
273455
2853
و لكننا علمنا أن الخلايا العصبية
استخدمت الكهرباء،
و بحلول الحرب العالمية الثانية، تطورت
تقنياتنا على نحو كافٍ
04:48
and by Worldالعالمية Warحرب IIII, our technologyتقنية
was advancedالمتقدمة enoughكافية
94
276332
2936
04:51
to startبداية doing realحقيقة electricalالكهرباء
experimentsتجارب on liveحي neuronsالخلايا العصبية
95
279292
2806
للبدء بإجراء تجارب كهربائية فعلية على
خلايا عصبية حية
04:54
to better understandتفهم how they workedعمل.
96
282122
2106
من أجل زيادة فهمنا لكيفية عملها.
04:56
This was the very sameنفسه time
when computersأجهزة الكمبيوتر were beingيجرى inventedاخترع,
97
284631
4356
و في ذات الفترة تماماً بدأ
اختراع الحواسيب.
05:01
very much basedعلى أساس on the ideaفكرة
of modelingتصميم the brainدماغ --
98
289011
3100
و قد اعتمدت الفكرة إلى حد كبير على نمذجة
الدماغ --
05:04
of "intelligentذكي machineryمجموعة آلات,"
as Alanآلان Turingتورينج calledمسمي it,
99
292135
3085
"الآلة الذكية،" كما أطلق
عليها (ألان تورينغ)،
05:07
one of the fathersالآباء of computerالحاسوب scienceعلم.
100
295244
1991
أحد آباء علم الحاسوب.
05:09
Warrenمنطقة مكتظة McCullochمكولوتش and Walterوالتر Pittsبيتس
lookedبدا at Ramالرامات " الذاكرة العشوائية في الهواتف والحواسيبón y Cajal'sوكاجال drawingرسم
101
297923
4632
اتطلع (وارن ماكولوكش) و(والتر بيتس) على
رسومات (رامون كاخال)
05:14
of visualبصري cortexقشرة,
102
302579
1317
لمنطقة القشرة البصرية،
05:15
whichالتي I'm showingتظهر here.
103
303920
1562
التي أعرضها هنا.
05:17
This is the cortexقشرة that processesالعمليات
imageryمصور that comesيأتي from the eyeعين.
104
305506
4442
هذه هي القشرة التي تقوم بمعالجة
الصور القادمة من العين.
05:22
And for them, this lookedبدا
like a circuitدائرة كهربائية diagramرسم بياني.
105
310424
3508
و بالنسبة لهما، بدا هذا كمخطط
دارة كهربائية.
05:26
So there are a lot of detailsتفاصيل
in McCullochمكولوتش and Pitts'sفي بيتس circuitدائرة كهربائية diagramرسم بياني
106
314353
3835
و بهذا ثمة الكثير من التفاصيل في مخطط
الدارة لكل من (ماكولوتش) و(بيتس)
05:30
that are not quiteالى حد كبير right.
107
318212
1352
ليست صحيحة تماماً.
05:31
But this basicالأساسية ideaفكرة
108
319588
1235
لكن هذه الفكرة الأساسية
05:32
that visualبصري cortexقشرة worksأعمال like a seriesسلسلة
of computationalالحسابية elementsعناصر
109
320847
3992
أن القشرة الدماغية البصرية تعمل كسلسلة من
العناصر الحاسوبية
05:36
that passالبشري informationمعلومات
one to the nextالتالى in a cascadeتتالي,
110
324863
2746
التي تمرر المعلومات من عنصر إلى التالي
بتسلسل،
05:39
is essentiallyبشكل أساسي correctصيح.
111
327633
1602
هي فكرة صحيحة أساساً.
05:41
Let's talk for a momentلحظة
112
329259
2350
دعونا نتكلم لبرهة
05:43
about what a modelنموذج for processingمعالجة
visualبصري informationمعلومات would need to do.
113
331633
4032
عن النموذج المطلوب من أجل معالجة
المعلومات البصرية.
05:48
The basicالأساسية taskمهمة of perceptionالمعرفة
114
336228
2741
المهمة الأساسية للإدراك
05:50
is to take an imageصورة like this one and say,
115
338993
4194
هي أخذ صورة كهذه والقول،
05:55
"That's a birdطائر,"
116
343211
1176
"ذلك طائر،"
05:56
whichالتي is a very simpleبسيط thing
for us to do with our brainsعقل.
117
344411
2874
و هو أمر في غاية السهولة بالنسبة لنا
باستخدام أدمغتنا.
05:59
But you should all understandتفهم
that for a computerالحاسوب,
118
347309
3421
و لكن ما عليكم أن تفهموه هو
أنه بالنسبة لحاسوب،
06:02
this was prettyجميلة much impossibleغير ممكن
just a fewقليل yearsسنوات agoمنذ.
119
350754
3087
فإن هذا الأمر كان من المحال تحقيقه قبل
بضعة سنوات قليلة.
06:05
The classicalكلاسيكي computingالحوسبة paradigmنموذج
120
353865
1916
لم يكن نموذج الحاسوب التقليدي
06:07
is not one in whichالتي
this taskمهمة is easyسهل to do.
121
355805
2507
واحداً يمكن من خلاله تحقيق هذه المهمة
بسهولة.
06:11
So what's going on betweenما بين the pixelsبكسل,
122
359366
2552
إذاً إن ما يحدث بين نقاط البيكسل،
06:13
betweenما بين the imageصورة of the birdطائر
and the wordكلمة "birdطائر,"
123
361942
4028
بين صورة الطائر، و كلمة "طائر،"
06:17
is essentiallyبشكل أساسي a setجلس of neuronsالخلايا العصبية
connectedمتصل to eachكل other
124
365994
2814
أساساً هو مجموعة من العصبونات
المرتبطة ببعضها
06:20
in a neuralعصبي networkشبكة الاتصال,
125
368832
1155
ضمن شبكة عصبونية،
06:22
as I'm diagrammingالمخططات here.
126
370011
1223
كما أعرضها هنا.
يمكن لهذه الشبكة العصبونية أن تكون حيوية،
ضمن القشرة الدماغية البصرية،
06:23
This neuralعصبي networkشبكة الاتصال could be biologicalبيولوجي,
insideفي داخل our visualبصري corticesالقشور,
127
371258
3272
06:26
or, nowadaysالوقت الحاضر, we startبداية
to have the capabilityالإمكانية
128
374554
2162
أو، حالياً، نبدأ العمل على إمكانية
06:28
to modelنموذج suchهذه neuralعصبي networksالشبكات
on the computerالحاسوب.
129
376740
2454
نمذجة شبكات عصبونية مماثلة في الحاسوب.
06:31
And I'll showتبين you what
that actuallyفعلا looksتبدو like.
130
379834
2353
و سوف أريكم حقيقة كيف تبدو تلك الشبكات.
06:34
So the pixelsبكسل you can think
about as a first layerطبقة of neuronsالخلايا العصبية,
131
382211
3416
إذاً يمكنك تصور نقاط البيكسل كطبقة أولى من
العصبونات،
06:37
and that's, in factحقيقة,
how it worksأعمال in the eyeعين --
132
385651
2239
و هذا، في الواقع، كيفية عملها في العين --
06:39
that's the neuronsالخلايا العصبية in the retinaشبكية العين.
133
387914
1663
تلك هي العصبونات في الشبكية.
06:41
And those feedتغذية forwardإلى الأمام
134
389601
1500
و تلك العصبونات تلقم الإشارة
06:43
into one layerطبقة after anotherآخر layerطبقة,
after anotherآخر layerطبقة of neuronsالخلايا العصبية,
135
391125
3403
داخل طبقة بعد طبقة أخرى، بعد طبقة أخرى
من العصبونات،
06:46
all connectedمتصل by synapsesنقاط الاشتباك العصبي
of differentمختلف weightsالأوزان.
136
394552
3033
جميعها مرتبطة بواسطة مشابك ذات أوزان
مختلفة.
06:49
The behaviorسلوك of this networkشبكة الاتصال
137
397609
1335
إن سلوك هذه الشبكة
06:50
is characterizedتتميز by the strengthsنقاط القوة
of all of those synapsesنقاط الاشتباك العصبي.
138
398968
3284
تتميز عن طريق قوة جميع تلك المشابك.
06:54
Those characterizeوصف the computationalالحسابية
propertiesالخصائص of this networkشبكة الاتصال.
139
402276
3288
و هذه تميز السمات الحسابية لهذه الشبكة.
06:57
And at the endالنهاية of the day,
140
405588
1470
وبنهاية المطاف،
06:59
you have a neuronالخلايا العصبية
or a smallصغير groupمجموعة of neuronsالخلايا العصبية
141
407082
2447
يغدو لديك عصبون أو مجموعة صغيرة من
العصبونات
07:01
that lightضوء up, sayingقول, "birdطائر."
142
409553
1647
التي تضيء، كلمة، "طائر."
07:03
Now I'm going to representتركيز
those threeثلاثة things --
143
411824
3132
سأقوم الآن بتمثيل تلك الأمور الثلاث --
07:06
the inputإدخال pixelsبكسل and the synapsesنقاط الاشتباك العصبي
in the neuralعصبي networkشبكة الاتصال,
144
414980
4696
المدخلات بيكسلات والمشابك في الشبكة
العصبية،
07:11
and birdطائر, the outputانتاج --
145
419700
1585
و طائر، المخرجات --
07:13
by threeثلاثة variablesالمتغيرات: x, w and y.
146
421309
3057
تحدد بمتغيرات ثلاث: x وw وy
07:16
There are maybe a millionمليون or so x'sوس --
147
424853
1811
ربما ثمة مليون أو نحو ذلك من المتغير x
07:18
a millionمليون pixelsبكسل in that imageصورة.
148
426688
1953
مليون بيكسل في تلك الصورة.
07:20
There are billionsالمليارات or trillionsتريليونات of w'sث,
149
428665
2446
ثمة مليونات أو ترليونات من المتغير w،
07:23
whichالتي representتركيز the weightsالأوزان of all
these synapsesنقاط الاشتباك العصبي in the neuralعصبي networkشبكة الاتصال.
150
431135
3421
التي تمثل وزن جميع هذه المشابك في الشبكة
العصبية.
07:26
And there's a very smallصغير numberرقم of y'sفي ذ,
151
434580
1875
و يوجد كم ضئيل من المتغير y،
07:28
of outputsالمخرجات that that networkشبكة الاتصال has.
152
436479
1858
من المخرجات التي تمتلكها الشبكة.
07:30
"Birdطائر" is only fourأربعة lettersحروف, right?
153
438361
1749
"طائر" هي كلمة من أربعة أحرف، صحيح؟
07:33
So let's pretendتظاهر that this
is just a simpleبسيط formulaمعادلة,
154
441088
3426
إذاً دعونا نتظاهر بأن هذه مجرد معادلة
بسيطة،
07:36
x "x" w = y.
155
444538
2163
x" x" w = y.
07:38
I'm puttingوضع the timesمرات in scareفزع quotesيقتبس
156
446725
2036
أضع التكرار ضمن إشارتي اقتباس مخيفتين
07:40
because what's really
going on there, of courseدورة,
157
448785
2280
لأن ما يحدث بالفعل هناك، بالطبع،
07:43
is a very complicatedمعقد seriesسلسلة
of mathematicalرياضي operationsعمليات.
158
451089
3046
عبارة عن سلاسل معقدة من العمليات الحسابية
الرياضية.
07:47
That's one equationمعادلة.
159
455172
1221
تلك معادلة واحدة.
07:48
There are threeثلاثة variablesالمتغيرات.
160
456417
1672
يوجد ثلاثة متغيرات.
07:50
And we all know
that if you have one equationمعادلة,
161
458113
2726
و جميعنا نعلم أنه عندما يكون
لدينا معادلة واحدة،
07:52
you can solveحل one variableمتغير
by knowingمعرفة the other two things.
162
460863
3642
يمكنكم حل أحد المتغيرات بمعرفة
المتغيرين الآخرين.
07:57
So the problemمشكلة of inferenceالإستنباط,
163
465158
3380
لذلك فإن مشكلة الاستدلال،
08:00
that is, figuringكشف out
that the pictureصورة of a birdطائر is a birdطائر,
164
468562
2873
هي أن نعلم أن صورة الطائر هي طائر،
08:03
is this one:
165
471459
1274
هي هذه:
08:04
it's where y is the unknownغير معروف
and w and x are knownمعروف.
166
472757
3459
هي أن المتغير y مجهول، والمتغيرين w و x
معلومان.
08:08
You know the neuralعصبي networkشبكة الاتصال,
you know the pixelsبكسل.
167
476240
2459
أنتم تعرفون الشبكات العصبية، تعرفون
البيكسلات.
08:10
As you can see, that's actuallyفعلا
a relativelyنسبيا straightforwardبسيط problemمشكلة.
168
478723
3327
كما ترون، تلك هي مشكلة بسيطة نسبياً.
08:14
You multiplyتتضاعف two timesمرات threeثلاثة
and you're doneفعله.
169
482074
2186
تضاعفون مرتين بثلاث وتنتهون.
08:16
I'll showتبين you an artificialمصطنع neuralعصبي networkشبكة الاتصال
170
484862
2123
سأريكم شبكة عصبية اصطناعية
08:19
that we'veقمنا builtمبني recentlyمؤخرا,
doing exactlyبالضبط that.
171
487009
2296
قمنا ببنائها مؤخراً، بنفس الأسلوب تماماً.
08:21
This is runningجري in realحقيقة time
on a mobileالتليفون المحمول phoneهاتف,
172
489634
2860
تعمل بالزمن الحقيقي على الهاتف المحمول،
08:24
and that's, of courseدورة,
amazingرائعة حقا in its ownخاصة right,
173
492518
3313
و هذا، بالطبع، أمر رائع بحد ذاته،
08:27
that mobileالتليفون المحمول phonesالهواتف can do so manyكثير
billionsالمليارات and trillionsتريليونات of operationsعمليات
174
495855
3468
الهاتف النقال يستطيع القيام بمليارات
بل ترليونات العمليات
08:31
perلكل secondثانيا.
175
499347
1248
بالثانية.
08:32
What you're looking at is a phoneهاتف
176
500619
1615
ما تنظر اليه هو هاتف
08:34
looking at one after anotherآخر
pictureصورة of a birdطائر,
177
502258
3547
تنظر لصورة تلو الأخرى لطائر،
08:37
and actuallyفعلا not only sayingقول,
"Yes, it's a birdطائر,"
178
505829
2715
وفي الحقيقية، لا تقول فقط "نعم، إنه طائر"
08:40
but identifyingتحديد the speciesمحيط of birdطائر
with a networkشبكة الاتصال of this sortفرز.
179
508568
3411
بل تميّز نوع الطائر بشبكة من هذا النوع.
08:44
So in that pictureصورة,
180
512890
1826
اذاً في تلك الصورة،
08:46
the x and the w are knownمعروف,
and the y is the unknownغير معروف.
181
514740
3802
ال x وw معروفان، بينما y غير معروفة.
08:50
I'm glossingالتمويه over the very
difficultصعب partجزء, of courseدورة,
182
518566
2508
أنا أموه حول الجزء الصعب كما ترون
08:53
whichالتي is how on earthأرض
do we figureالشكل out the w,
183
521098
3861
اذاً كيف من الممكن أن نميز w،
08:56
the brainدماغ that can do suchهذه a thing?
184
524983
2187
الدماغ الذي يستطيع القيام بشيء كهذا؟
08:59
How would we ever learnتعلم suchهذه a modelنموذج?
185
527194
1834
كيف يمكننا تعلم هذا النموذج؟
09:01
So this processمعالج of learningتعلم,
of solvingحل for w,
186
529418
3233
إذاً عملية التعليم هذه، لحل w
09:04
if we were doing this
with the simpleبسيط equationمعادلة
187
532675
2647
اذا ما كنا نقوم بهذا بمساعدة
المعادلة البسيطة
09:07
in whichالتي we think about these as numbersأعداد,
188
535346
2000
والتي نعامل فيها هذه الأحرف كأرقام،
09:09
we know exactlyبالضبط how to do that: 6 = 2 x w,
189
537370
2687
نستطيع فهم ذلك تماماً 6 = 2 x w
09:12
well, we divideيقسم by two and we're doneفعله.
190
540081
3312
حسناً نقسم على اثنين وانتهينا.
09:16
The problemمشكلة is with this operatorالمشغل أو العامل.
191
544001
2220
المشكلة ستكون بهذه العملية.
09:18
So, divisionقطاع --
192
546823
1151
اذاً، القسمة --
09:19
we'veقمنا used divisionقطاع because
it's the inverseمعكوس to multiplicationعمليه الضرب,
193
547998
3121
استخدمنا القسمة ، لأنها عكس الضرب،
09:23
but as I've just said,
194
551143
1440
لكن كما قلت،
09:24
the multiplicationعمليه الضرب is a bitقليلا of a lieراحه here.
195
552607
2449
الضرب هو كذبة صغيرة هنا.
09:27
This is a very, very complicatedمعقد,
very non-linearغير الخطية operationعملية;
196
555080
3326
هذه العملية معقدة للغاية، وهي
عملية غير خطية
09:30
it has no inverseمعكوس.
197
558430
1704
وليس لديها معكوس.
09:32
So we have to figureالشكل out a way
to solveحل the equationمعادلة
198
560158
3150
اذاً ،علينا إيجاد طريقة لحل هذه المعادلة
09:35
withoutبدون a divisionقطاع operatorالمشغل أو العامل.
199
563332
2024
بدون عملية قسمة.
09:37
And the way to do that
is fairlyتماما straightforwardبسيط.
200
565380
2343
والطريقة للقيام بذلك غير واضحة
نوعاً ما.
09:39
You just say, let's playلعب
a little algebraعلم الجبر trickخدعة,
201
567747
2671
لنقل، دعونا نقوم بلعبة جبرية ما
09:42
and moveنقل the sixستة over
to the right-handاليد اليمنى sideجانب of the equationمعادلة.
202
570442
2906
ولننقل الرقم ستة الى الجانب اليميني
من المعادلة.
09:45
Now, we're still usingاستخدام multiplicationعمليه الضرب.
203
573372
1826
الأن، مازلنا نستخدم عملية الضرب.
09:47
And that zeroصفر -- let's think
about it as an errorخطأ.
204
575675
3580
وذلك الصفر -- لنفكر به كأنه خطأ ما.
بعبارة أخرى، إذا حلينا المعادلة ل w
بالطريقة الصحيحة،
09:51
In other wordsكلمات, if we'veقمنا solvedتم حلها
for w the right way,
205
579279
2515
09:53
then the errorخطأ will be zeroصفر.
206
581818
1656
اذاً سيكون الخطأ صفراً.
09:55
And if we haven'tلم gottenحصلت it quiteالى حد كبير right,
207
583498
1938
واذا لم نحلها حلاً صحيحاً،
09:57
the errorخطأ will be greaterأكبر than zeroصفر.
208
585460
1749
سيكون الخطأ أكبر من الصفر.
09:59
So now we can just take guessesالتخمينات
to minimizeخفض the errorخطأ,
209
587233
3366
الأن سوف نخمن حتى يكون الخطأ أصغر،
10:02
and that's the sortفرز of thing
computersأجهزة الكمبيوتر are very good at.
210
590623
2687
وهذا هو الشيء الذي تبرع فيه
أجهزة الحاسوب جداً.
10:05
So you've takenتؤخذ an initialمبدئي guessخمن:
211
593334
1593
اذاً، لناخذ تخميناً أولياً:
10:06
what if w = 0?
212
594951
1156
مائا لو w=0 ؟
10:08
Well, then the errorخطأ is 6.
213
596131
1240
إذاً، الخطأ سيكون 6.
10:09
What if w = 1? The errorخطأ is 4.
214
597395
1446
ماذا لو W=1 ؟ إذاً الخطأ 4 .
10:10
And then the computerالحاسوب can
sortفرز of playلعب Marcoماركو Poloبولو,
215
598865
2367
ومن ثم يستطيع الحاسوب أن
يلعب (ماركو بولو)،
10:13
and driveقيادة down the errorخطأ closeأغلق to zeroصفر.
216
601256
2367
حتى يقوم بإنقاص الخطأ الى الصفر.
10:15
As it does that, it's gettingالحصول على
successiveمتتالي approximationsتقريبية to w.
217
603647
3374
وبينما يفعل ذلك، فهو يحصل على قيمة
تقريبة متعاقبة ل w.
10:19
Typicallyعادة, it never quiteالى حد كبير getsيحصل على there,
but after about a dozenدزينة stepsخطوات,
218
607045
3656
بالعادة ،لايصل الى هذه القيمة بسرعة
لكن بعد الكثير من الخطوات،
10:22
we're up to w = 2.999,
whichالتي is closeأغلق enoughكافية.
219
610725
4624
نصل لحوالي w = 2.999
وهي قيمة تقريبية كافية.
10:28
And this is the learningتعلم processمعالج.
220
616302
1814
وهذه هي العملية التعليمية.
10:30
So rememberتذكر that what's been going on here
221
618140
2730
اذاً تذكر ما كان يجري هنا
10:32
is that we'veقمنا been takingمع الأخذ
a lot of knownمعروف x'sوس and knownمعروف y'sفي ذ
222
620894
4378
كنا نقوم باخذ الكثير من قيم x و y
المعلومة
10:37
and solvingحل for the w in the middleوسط
throughعبر an iterativeترابطي processمعالج.
223
625296
3454
ونقوم بحل w خلال عمليات متعاقبة.
10:40
It's exactlyبالضبط the sameنفسه way
that we do our ownخاصة learningتعلم.
224
628774
3556
تماماً هي نفس الطريقة التي نتعلم بها.
10:44
We have manyكثير, manyكثير imagesصور as babiesأطفال
225
632354
2230
تستصحب أذهاننا الكثير من صور فترة الطفولة
10:46
and we get told, "This is a birdطائر;
this is not a birdطائر."
226
634608
2633
ويُقال لنا "هذا طائر،
ليس هذا طائراً."
10:49
And over time, throughعبر iterationتكرار,
227
637714
2098
ومع مرور الوقت، ومع التكرار،
10:51
we solveحل for w, we solveحل
for those neuralعصبي connectionsروابط.
228
639836
2928
نحل الw نقوم بالحل عن طريق
تلك الوصلات العصبية.
10:55
So now, we'veقمنا heldمقبض
x and w fixedثابت to solveحل for y;
229
643460
4086
اذاً الأن، لدينا x و y كقيم ثابتة
لكي نحل y ،
10:59
that's everydayكل يوم, fastبسرعة perceptionالمعرفة.
230
647570
1847
هذا ككل يوم، تصور سريع.
11:01
We figureالشكل out how we can solveحل for w,
231
649441
1763
نكتشف كيف نستطيع إيجاد الحل ل w،
11:03
that's learningتعلم, whichالتي is a lot harderأصعب,
232
651228
1903
ذلك هو التعلم، وهو الأكثر صعوبة،
11:05
because we need to do errorخطأ minimizationالتقليل,
233
653155
1985
لأننا نحتاج إلى تصغير الخطأ،
11:07
usingاستخدام a lot of trainingتدريب examplesأمثلة.
234
655164
1687
باستخدام الكثير من أمثلة التعلم،
11:08
And about a yearعام agoمنذ,
Alexاليكس MordvintsevMordvintsev, on our teamالفريق,
235
656875
3187
ومنذ حوالي السنة، أحد أعضاء
فريقنا (أليكس ماريفينسف)،
11:12
decidedقرر to experimentتجربة
with what happensيحدث if we try solvingحل for x,
236
660086
3550
قرر أن يجرب ماذا سيحدث إذا ما حاولنا
حل المعادلة لأجل x،
11:15
givenمعطى a knownمعروف w and a knownمعروف y.
237
663660
2037
بإعطاء قيمة معلومة ل w و y .
11:18
In other wordsكلمات,
238
666124
1151
بعبارة أخرى،
11:19
you know that it's a birdطائر,
239
667299
1352
أنت تعرف أنه طائر،
11:20
and you alreadyسابقا have your neuralعصبي networkشبكة الاتصال
that you've trainedمتدرب on birdsالطيور,
240
668675
3303
وتتمتع مسبقاً بشبكة عصبية دربتها
على أن الذي أمامك طائر،
11:24
but what is the pictureصورة of a birdطائر?
241
672002
2344
لكن ما الذي تبدو عليه صورة الطائر؟
11:27
It turnsيتحول out that by usingاستخدام exactlyبالضبط
the sameنفسه error-minimizationخطأ التقليل procedureإجراء,
242
675034
5024
اتضح أنه باستخدام نفس عملية
تقليل الخطأ،
11:32
one can do that with the networkشبكة الاتصال
trainedمتدرب to recognizeتعرف birdsالطيور,
243
680082
3430
نستطيع فعل المثل عن طريق الشبكة المدربة
على التعرف على الطيور،
11:35
and the resultنتيجة turnsيتحول out to be ...
244
683536
3388
واتضح أن النتيجة ستكون ...
11:42
a pictureصورة of birdsالطيور.
245
690400
1305
صورة لطيور.
11:44
So this is a pictureصورة of birdsالطيور
generatedولدت entirelyتماما by a neuralعصبي networkشبكة الاتصال
246
692814
3737
هذه صورة لطائر تم توليدها كلياً
بواسطة شبكة عصبية
11:48
that was trainedمتدرب to recognizeتعرف birdsالطيور,
247
696575
1826
والتي دُربت لتتعرف على الطيور.
11:50
just by solvingحل for x
ratherبدلا than solvingحل for y,
248
698425
3538
فقط بحل بالنسبة ل x بدل الحل بالنسبة ل y.
11:53
and doing that iterativelyتكراري.
249
701987
1288
وبالقيام بتلك التكرارات.
11:55
Here'sمن هنا anotherآخر funمرح exampleمثال.
250
703732
1847
هنا مثال مسلي آخر.
11:57
This was a work madeمصنوع
by Mikeميكروفون TykaTyka in our groupمجموعة,
251
705603
3437
هذا العمل صنعه (مايك تايكو) من فريقنا،
12:01
whichالتي he callsالمكالمات "Animalحيوان Paradeموكب."
252
709064
2308
والذي يدعوه "موكب الحيوانات".
12:03
It remindsتذكر me a little bitقليلا
of Williamوليام Kentridge'sوكنتريدج artworksاعمال فنية,
253
711396
2876
ويذكرني قليلاً بأعمال (وليام كينتردوغ)
الفنية،
12:06
in whichالتي he makesيصنع sketchesاسكتشات, rubsالتدليك them out,
254
714296
2489
حيث يقوم برسم نماذج، ثم يقوم بتحريكها،
12:08
makesيصنع sketchesاسكتشات, rubsالتدليك them out,
255
716809
1460
يرسم النماذج، ويحركها،
12:10
and createsيخلق a movieفيلم this way.
256
718293
1398
ويصنع فلم بهذه الطريقة.
12:11
In this caseقضية,
257
719715
1151
في هذه الحالة،
12:12
what Mikeميكروفون is doing is varyingمتفاوتة y
over the spaceالفراغ of differentمختلف animalsالحيوانات,
258
720890
3277
مايقوم به (مايك) هو تغيير y عبر مساحة
متباينة من الحيوانات،
12:16
in a networkشبكة الاتصال designedتصميم
to recognizeتعرف and distinguishتميز
259
724191
2382
ضمن شبكة مصصمة، لكي تميز وتعرف
12:18
differentمختلف animalsالحيوانات from eachكل other.
260
726597
1810
الحيوانات المختلفة عن بعضها البعض.
12:20
And you get this strangeغريب, Escher-likeايشر مثل
morphيتحول from one animalحيوان to anotherآخر.
261
728431
3751
وستحصل على هذا الشكل الغريب
من حيوان لآخر،
12:26
Here he and Alexاليكس togetherسويا
have triedحاول reducingتقليص
262
734221
4614
هو و(ألكس) حاولا تقليل
12:30
the y'sفي ذ to a spaceالفراغ of only two dimensionsأبعاد,
263
738859
2759
ال y الى مساحة بعدين فقط،
12:33
therebyوبالتالي makingصناعة a mapخريطة
out of the spaceالفراغ of all things
264
741642
3438
مما سمح لهما بصنع خريطة
من مساحة كل الأشياء
12:37
recognizedمعروف by this networkشبكة الاتصال.
265
745104
1719
المُتعرف عليها من قبل هذه الشبكة.
12:38
Doing this kindطيب القلب of synthesisنتيجة الجمع بين الطريحة والنقيضة
266
746847
2023
بالقيام بهذا النوع من التركيب
12:40
or generationتوليد of imageryمصور
over that entireكامل surfaceسطح - المظهر الخارجي,
267
748894
2382
أو توليد صورة من ذلك السطح الكامل،
12:43
varyingمتفاوتة y over the surfaceسطح - المظهر الخارجي,
you make a kindطيب القلب of mapخريطة --
268
751300
2846
بتغيير y عبر ذلك السطح، ستحصل على
خريطة نوعاً ما --
12:46
a visualبصري mapخريطة of all the things
the networkشبكة الاتصال knowsيعرف how to recognizeتعرف.
269
754170
3141
خريطة بصرية من كل الأشياء
التي تستطيع الشبكة تمييزها.
12:49
The animalsالحيوانات are all here;
"armadilloالمدرع حيوان ثديي" is right in that spotبقعة.
270
757335
2865
الحيوانات كلها موجودة هنا، و"أرمانديلو"
في البقعة المناسبة.
12:52
You can do this with other kindsأنواع
of networksالشبكات as well.
271
760919
2479
وتستطيع القيام بذلك مع أنواع آخرى
من الشبكات أيضاً.
12:55
This is a networkشبكة الاتصال designedتصميم
to recognizeتعرف facesوجوه,
272
763422
2874
هذه الشبكة مصممة لمعرفة الوجوه،
12:58
to distinguishتميز one faceوجه from anotherآخر.
273
766320
2000
لتميز كل وجه عن الآخر.
13:00
And here, we're puttingوضع
in a y that saysيقول, "me,"
274
768344
3249
وهنا نقوم بوضع ال y التي تقول "أنا،"
13:03
my ownخاصة faceوجه parametersالمعلمات.
275
771617
1575
مقاييس وجهي الخاصة.
13:05
And when this thing solvesيحل for x,
276
773216
1706
وعندما تُحل هذه الشبكة بالنسبة لx،
13:06
it generatesيولد this ratherبدلا crazyمجنون,
277
774946
2618
بالأحرى تولد هذا الجنون،
13:09
kindطيب القلب of cubistفنان تكعيبي, surrealسريالية,
psychedelicمخدر pictureصورة of me
278
777588
4428
صورة تكعيبية، وسريالية، وغريبة لي
13:14
from multipleمضاعف pointsنقاط of viewرأي at onceذات مرة.
279
782040
1806
من عدة وجهات نظر في نفس الوقت.
13:15
The reasonالسبب it looksتبدو like
multipleمضاعف pointsنقاط of viewرأي at onceذات مرة
280
783870
2734
والسبب في تكوينها من عدة وجهات
نظر في نفس الوقت
13:18
is because that networkشبكة الاتصال is designedتصميم
to get ridتخلص من of the ambiguityالتباس
281
786628
3687
هو أن هذه الشبكة صُممت
لكي تتخلص من الغموض
13:22
of a faceوجه beingيجرى in one poseيشير إلى
or anotherآخر poseيشير إلى,
282
790339
2476
الذي يلحق بالوجوه من وضعية تصوير لآخرى،
13:24
beingيجرى lookedبدا at with one kindطيب القلب of lightingإضاءة,
anotherآخر kindطيب القلب of lightingإضاءة.
283
792839
3376
وبالنظر من وضع إضاءة الى آخر.
13:28
So when you do
this sortفرز of reconstructionإعادة الإعمار,
284
796239
2085
إذاً حتى تقوم بهذا النوع من إعادة التكوين،
13:30
if you don't use some sortفرز of guideيرشد imageصورة
285
798348
2304
اذا لم تستخدم نوع من الصور الدليلية
13:32
or guideيرشد statisticsالإحصاء,
286
800676
1211
أو دليل إحصائي،
13:33
then you'llعليك get a sortفرز of confusionالتباس
of differentمختلف pointsنقاط of viewرأي,
287
801911
3765
حينها ستحصل على قليل من الإرتباك
من نقاط مختلفة،
13:37
because it's ambiguousغامض.
288
805700
1368
لأنه غامض.
13:39
This is what happensيحدث if Alexاليكس usesالاستخدامات
his ownخاصة faceوجه as a guideيرشد imageصورة
289
807786
4223
هذا ما سيحصل إذا استخدم (أليكس)
وجهه كصورة دليلية
13:44
duringأثناء that optimizationالاقوي processمعالج
to reconstructإعادة my ownخاصة faceوجه.
290
812033
3321
خلال عملية إعادة تكوين وجهي.
13:48
So you can see it's not perfectفي احسن الاحوال.
291
816284
2328
سترون بأنها ليست مثالية.
13:50
There's still quiteالى حد كبير a lot of work to do
292
818636
1874
وما يزال هناك الكثير من العمل لنقوم به
13:52
on how we optimizeتحسين
that optimizationالاقوي processمعالج.
293
820534
2453
لتحسين عملية إعادة التكوين هذه.
13:55
But you startبداية to get something
more like a coherentمتماسك faceوجه,
294
823011
2827
لكن بدأنا بالحصول على شيء
يشبه الوجه المتماسك،
13:57
renderedالمقدمة usingاستخدام my ownخاصة faceوجه as a guideيرشد.
295
825862
2014
وذلك باستخدام وجهي كدليل.
14:00
You don't have to startبداية
with a blankفراغ canvasاللوحة القماشية
296
828892
2501
ليس عليك البدء بقماش فارغ
14:03
or with whiteأبيض noiseالضوضاء.
297
831417
1156
أو ضوضاء بيضاء.
14:04
When you're solvingحل for x,
298
832597
1304
بحل المعادلة بالنسبة لx
14:05
you can beginابدأ with an x,
that is itselfبحد ذاتها alreadyسابقا some other imageصورة.
299
833925
3889
تستطيع البدء بx
والتي هي نفسها صورة ما مسبقاً.
14:09
That's what this little demonstrationبرهنة is.
300
837838
2556
هذا هو هذا المنظر الصغير.
14:12
This is a networkشبكة الاتصال
that is designedتصميم to categorizeصنف
301
840418
4122
هذه شبكة مُصممة لكي تصنف
14:16
all sortsأنواع of differentمختلف objectsشاء --
man-madeمن صنع الإنسان structuresالهياكل, animalsالحيوانات ...
302
844564
3119
العديد من الأشياء المختلفة
أشخاص، أشكال، حيوانات ...
14:19
Here we're startingابتداء
with just a pictureصورة of cloudsسحاب,
303
847707
2593
هنا، بدأنا بصورة للغيوم،
14:22
and as we optimizeتحسين,
304
850324
1671
وبينما نقوم بعملية الاستمثال،
14:24
basicallyفي الأساس, this networkشبكة الاتصال is figuringكشف out
what it seesيرى in the cloudsسحاب.
305
852019
4486
أساساً، هذه الشبكة تميز ما تراه
بين الغيوم.
14:28
And the more time
you spendأنفق looking at this,
306
856931
2320
وكلما استغرقت بالنظر الى هذا،
14:31
the more things you alsoأيضا
will see in the cloudsسحاب.
307
859275
2753
سترى المزيد من الأشياء بين الغيوم
14:35
You could alsoأيضا use the faceوجه networkشبكة الاتصال
to hallucinateبالهلوسة into this,
308
863004
3375
تستطيع أيضاً استخدام شبكة الوجوه
لكي تهلوس الى هذا،
14:38
and you get some prettyجميلة crazyمجنون stuffأمور.
309
866403
1812
وستحصل على أشياء مجنونة جداً.
14:40
(Laughterضحك)
310
868239
1150
(ضحك)
14:42
Or, Mikeميكروفون has doneفعله some other experimentsتجارب
311
870401
2744
أو، أجرى (مايك) تجارب أخرى
14:45
in whichالتي he takes that cloudغيم imageصورة,
312
873169
3905
حيث يأخذ صورة الغيمة هذه،
14:49
hallucinatesيتهلوس, zoomsالأزيز, hallucinatesيتهلوس,
zoomsالأزيز hallucinatesيتهلوس, zoomsالأزيز.
313
877098
3507
يهلوسها ويكبرها، يهلوسها ويكبرها،
يهلوسها ويكبرها.
14:52
And in this way,
314
880629
1151
وبهذه الطريقة،
14:53
you can get a sortفرز of fugueفوغا موسيقى stateحالة
of the networkشبكة الاتصال, I supposeافترض,
315
881804
3675
نستطيع الحصول على حالة من الضباب
لهذه الشبكة كما أعتقد،
14:57
or a sortفرز of freeحر associationجمعية,
316
885503
3680
أو نوعاً ما من المجمعات الحرة،
15:01
in whichالتي the networkشبكة الاتصال
is eatingيتناول الطعام its ownخاصة tailذيل.
317
889207
2227
حيث تقوم الشبكات بتدمير نفسها.
15:03
So everyكل imageصورة is now the basisأساس for,
318
891458
3421
إذاً كل صورة هي الأساس لما
15:06
"What do I think I see nextالتالى?
319
894903
1421
"ما الذي أعتقد أني سأراه بعدها؟
15:08
What do I think I see nextالتالى?
What do I think I see nextالتالى?"
320
896348
2803
مالذي أعتقد أني سأراه بعدها؟
مالذي أعتقد أني سأراه بعدها؟
15:11
I showedأظهر this for the first time in publicعامة
321
899487
2936
عرضت هذا لأول مرة على الملأ
15:14
to a groupمجموعة at a lectureمحاضرة in Seattleسياتل
calledمسمي "Higherالعالي Educationالتعليم" --
322
902447
5437
لمجموعة خلال محاضرة في سياتل
تحت عوان (التعليم العالي) --
15:19
this was right after
marijuanaقنب هندي was legalizedمصدقة.
323
907908
2437
كان هذا مباشرة بعد إجازة الماريجونا.
15:22
(Laughterضحك)
324
910369
2415
(ضحك)
15:26
So I'd like to finishإنهاء up quicklyبسرعة
325
914627
2104
إذاً، أريد أن أختم سريعاً
15:28
by just notingملاحظة that this technologyتقنية
is not constrainedمقيدة.
326
916755
4255
بالإشارة الى أن هذه التكنولوجيا غير مقيدة
15:33
I've shownأظهرت you purelyبحت visualبصري examplesأمثلة
because they're really funمرح to look at.
327
921034
3665
لقد أريتكم أمثلة بصرية بحتة
لأنه من الممتع النظر اليها
15:36
It's not a purelyبحت visualبصري technologyتقنية.
328
924723
2451
لكنها ليست تقنية بصرية بحتة.
15:39
Our artistفنان collaboratorمتعاون, Rossروس Goodwinجودوين,
329
927198
1993
الفنان المتعاون معنا، (روس غوردن)
15:41
has doneفعله experimentsتجارب involvingتنطوي
a cameraالة تصوير that takes a pictureصورة,
330
929215
3671
قام بتجارب، تتضمن كاميرا تقوم بأخذ صورة،
15:44
and then a computerالحاسوب in his backpackحقيبة ظهر
writesيكتب a poemقصيدة usingاستخدام neuralعصبي networksالشبكات,
331
932910
4234
ثم حاسوب في حقيبة ظهره يقوم بكتابة
قصيدة باستخدام الشبكات العصبية،
15:49
basedعلى أساس on the contentsمحتويات of the imageصورة.
332
937168
1944
وذلك استناداً على محتوى الصورة.
15:51
And that poetryالشعر neuralعصبي networkشبكة الاتصال
has been trainedمتدرب
333
939136
2947
وقد دُربت الشبكة العصبية الشعرية
15:54
on a largeكبير corpusجسم of 20th-centuryفي القرن التاسع poetryالشعر.
334
942107
2234
على أشعار كثيرة من القرن العشرين.
15:56
And the poetryالشعر is, you know,
335
944365
1499
والشعر كما تعلمون،
15:57
I think, kindطيب القلب of not badسيئة, actuallyفعلا.
336
945888
1914
كما أعتقد، هذا ليس سيئاً في الواقع.
15:59
(Laughterضحك)
337
947826
1384
(ضحك)
16:01
In closingإغلاق,
338
949234
1159
في الختام،
16:02
I think that perلكل Michelangeloمايكل أنجلو,
339
950417
2132
أعتقد أن (مايكل أنجيلو)،
16:04
I think he was right;
340
952573
1234
كان على حق،
16:05
perceptionالمعرفة and creativityالإبداع
are very intimatelyمتصل عاطفيا connectedمتصل.
341
953831
3436
الإدراك والإبداع مرتبطان ارتباطاً وثيقاً.
16:09
What we'veقمنا just seenرأيت are neuralعصبي networksالشبكات
342
957611
2634
ما رأيناه للتو هو شبكات عصبية،
16:12
that are entirelyتماما trainedمتدرب to discriminateتميز,
343
960269
2303
مُدربة كلياً لكي تميز،
16:14
or to recognizeتعرف differentمختلف
things in the worldالعالمية,
344
962596
2242
أو للتعرف على الأشياء المختلفة
في هذا العالم،
16:16
ableقادر to be runيركض in reverseعكسي, to generateتوفير.
345
964862
3161
وقادرة على العمل في الإتجاه
المعاكس، لتولد.
16:20
One of the things that suggestsوتقترح to me
346
968047
1783
وأحد الأشياء التي اقترحت لي
16:21
is not only that
Michelangeloمايكل أنجلو really did see
347
969854
2398
ليس فقط ما رأه (مايكل أنجيلو)
16:24
the sculptureنحت in the blocksكتل of stoneحجر,
348
972276
2452
المنحوتة في قطعة الحجر،
16:26
but that any creatureمخلوق,
any beingيجرى, any alienكائن فضائي
349
974752
3638
لكن أي مخلوق، أي كائن، أي فضائي
16:30
that is ableقادر to do
perceptualإدراكي حسي خاص بالادراك actsأعمال of that sortفرز
350
978414
3657
يستطيع أن يقوم بأعمال حسية من هذا النوع
16:34
is alsoأيضا ableقادر to createخلق
351
982095
1375
هو قادر أيضاً على التكوين
16:35
because it's exactlyبالضبط the sameنفسه
machineryمجموعة آلات that's used in bothكلا casesالحالات.
352
983494
3224
لأنها نفس الآلية المستخدمة في الحالتين.
16:38
Alsoأيضا, I think that perceptionالمعرفة
and creativityالإبداع are by no meansيعني
353
986742
4532
كذلك، أعتقد أن الإدراك والإبداع
لا يعنيان بالضرورة
16:43
uniquelyفريد humanبشري.
354
991298
1210
إنسان على نحو مميز.
16:44
We startبداية to have computerالحاسوب modelsعارضات ازياء
that can do exactlyبالضبط these sortsأنواع of things.
355
992532
3708
بدأنا باختراع حواسيب تقوم
بنفس هذه الأشياء.
16:48
And that oughtيجب to be unsurprisingغير مفاجئ;
the brainدماغ is computationalالحسابية.
356
996264
3328
ومن المفترض أن لا يكون ذلك مفاجئاً؛
فالدماغ في الأساس حسابي.
16:51
And finallyأخيرا,
357
999616
1657
وأخيراً،
16:53
computingالحوسبة beganبدأت as an exerciseممارسه الرياضه
in designingتصميم intelligentذكي machineryمجموعة آلات.
358
1001297
4668
بدأت الحوسبة كتدريب لتطويرألات ذكية.
16:57
It was very much modeledعلى غرار after the ideaفكرة
359
1005989
2462
وتم تغييرها على نحو كبير بعد فكرة
17:00
of how could we make machinesآلات intelligentذكي.
360
1008475
3013
كيف نستطيع جعل الآلات ذكية.
17:03
And we finallyأخيرا are startingابتداء to fulfillتحقيق now
361
1011512
2162
وأخيراً، بدأنا نوفي
17:05
some of the promisesوعود
of those earlyمبكرا pioneersالرواد,
362
1013698
2406
ببعض وعود أولئك الرعيل الأول،
17:08
of Turingتورينج and vonفون Neumannنيومان
363
1016128
1713
ل(تورينج) و(فون نيومان)
17:09
and McCullochمكولوتش and Pittsبيتس.
364
1017865
2265
و(مكولوتش) و(بيتس).
17:12
And I think that computingالحوسبة
is not just about accountingمحاسبة
365
1020154
4098
وأعتقد أن الحوسبة لا تتعلق فقط بالحساب
17:16
or playingتلعب Candyحلويات Crushسحق or something.
366
1024276
2147
أو لعب الكاندي كراش أو شيء ما.
17:18
From the beginningالبداية,
we modeledعلى غرار them after our mindsالعقول.
367
1026447
2578
من البداية، قمنا بأخذ أدمغتنا كنموذج.
17:21
And they give us bothكلا the abilityالقدرة
to understandتفهم our ownخاصة mindsالعقول better
368
1029049
3269
وأعطانا ذلك القابلية لفهم أدمغتنا
فهماً أفضل
17:24
and to extendتمديد them.
369
1032342
1529
ومدّها.
17:26
Thank you very much.
370
1034627
1167
شكراً جزيلاً لكم.
17:27
(Applauseتصفيق)
371
1035818
5939
(تصفيق)
Translated by tasnim hemmade
Reviewed by Riyad Almubarak

▲Back to top

ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com