TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
بلیس آگورا ای آرکاس: رایانه‌ها چطور خلاقیت را یاد می‌گیرند
Filmed:
Readability: 4.4
1,934,067 views
ما در آستانه مرز‌های جدیدی در هنر و خلاقیتیم-- که انسانی نیستند. بلیس آگورا ای آرکاس، محقق ارشد در شرکت گوگل هست که با شبکه های عصبی عمیق، برای درک ماشینی و آموزش گسترده کار میکند. دراین نمایش جذاب، او نشان میدهد که شبکه‌های عصبی آموزش دیده برای تشخیص تصویر را می‌توان معکوس کرد تا تصاویر را تولید کنند. و نتیجه‌اش: تصاویر کلاژ تماشایی، وهم انگیز ( و شاعرانه!) که قابل دسته بندی نیستند. آگورا ای آرکاس می‌گوید « ادراک و خلاقیت به شکلی نزدیک مرتبطند،» « هر موجودی که توانایی درک دارد می‌تواند خلاق هم باشد.»
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. Full bio
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 lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
من مدیر گروهی در گوگل هستم
که در مورد هوش مصنوعی کار میکند؛
که در مورد هوش مصنوعی کار میکند؛
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
به عبارت دیگر، راهکارهای مهندسی
برای اینکه رایانه‌ها و دستگاه ها
برای اینکه رایانه‌ها و دستگاه ها
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
بتوانند بعضی از کارهای مغز رو انجام بدهند.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
و این ما رو به مغز و همچنین
00:26
and neuroscience as well,
4
14562
1289
علوم اعصاب علاقه‌مند میکند،
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
و خصوصا به کارهایی که مغزمان انجام میدهد
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
که همچنان بسیار فراتر
از کارایی رایانه‌هاست.
از کارایی رایانه‌هاست.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
از دیدگاه تاریخی، یکی از این حوزه‌ها
ادراک بوده است،
ادراک بوده است،
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
فرایندی که درآن چیزهای دنیای بیرون --
00:43
sounds and images --
9
31905
1584
اصوات و تصاویر --
00:45
can turn into concepts in the mind.
10
33513
2178
می‌توانند به موضوعاتی ذهنی تبدیل شوند.
00:48
This is essential for our own brains,
11
36235
2517
این برای مغز ما اساسی است،
00:50
and it's also pretty useful on a computer.
12
38776
2464
و همچنین بسیار مفید در یک رایانه.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
برای مثال، آلگوریتم‌های ادراک ماشینی،
که گروه ما تولید می‌کنند،
که گروه ما تولید می‌کنند،
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
چیزی است که تصاویر شما
در گوگل فوتو را قابل جستجو می‌کنند،
در گوگل فوتو را قابل جستجو می‌کنند،
01:00
based on what's in them.
15
48908
1397
با توجه به چیزهایی که در آنهاست.
01:03
The flip side of perception is creativity:
16
51594
3493
روی دیگر ادراک خلاقیت است:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
تبدیل موضوع به چیزی آنجا در جهان.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
در سال گذشته،
کار ما در ادراک ماشین
کار ما در ادراک ماشین
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
به شکلی غیر منتظره با
دنیای خلاقیت ماشینی مرتبط شد
دنیای خلاقیت ماشینی مرتبط شد
01:18
and machine art.
20
66635
1160
و هنر ماشینی.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
به نظر من میکل‌آنژ دیدگاه عمیقی
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
در ارتباط دوگانه میان
ادراک و خلاقیت داشت.
ادراک و خلاقیت داشت.
01:28
This is a famous quote of his:
23
76023
2006
این گفته مشهوری از اوست:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
«هر قطعه سنگی شرایط خاص خود را دارد،
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
و وظیفه مجسمه‌ساز کشف آن است.»
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
به نظر من آنچه میکل‌آنژعنوان میکند
01:41
is that we create by perceiving,
27
89269
3180
این است که خلاقیت ما از راه ادراک است،
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
و اینکه خود ادراک، ناشی از تصور است
01:47
and is the stuff of creativity.
29
95520
2461
که ماده اولیه خلاقیت است.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
عضوی که تمامی تفکر و ادراک و تصور را
بر عهده دارد،
بر عهده دارد،
01:54
of course, is the brain.
31
102640
1588
مسلما، مغز است.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
و می‌خواهم تا تاریخچه مختصری
01:59
about what we know about brains.
33
107658
2302
از آنچه در باره مغز می‌دانیم بگویم.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
چون برخلاف، مثلا،
قلب یا روده‌ها،
قلب یا روده‌ها،
02:04
you really can't say very much
about a brain by just looking at it,
about a brain by just looking at it,
35
112966
3144
خیلی از اعمال مغزرا با تنها نگاه کردن
به آن نمی‌فهمی،
به آن نمی‌فهمی،
02:08
at least with the naked eye.
36
116134
1412
حداقل با چشم معمولی.
02:09
The early anatomists who looked at brains
37
117983
2416
اولین کالبد شناسانی
که به مغز توجه کردند
که به مغز توجه کردند
02:12
gave the superficial structures
of this thing all kinds of fanciful names,
of this thing all kinds of fanciful names,
38
120423
3807
انواع اسم‌های عجیب و غریب را
به ساختارهای سطحی آن دادند،
به ساختارهای سطحی آن دادند،
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
مثل هیپو‌کمپوس، یعنی «میگوی کوچک».
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
ولی البته این چیز‌ها توضیح زیادی
02:21
about what's actually going on inside.
41
129499
2318
از آنچه واقعا در درون آن
اتفاق می‌افتد نمی دهد.
اتفاق می‌افتد نمی دهد.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
اولین کسی که، به نظرم، واقعا
یک بررسی از آنچه
یک بررسی از آنچه
02:28
into what was going on in the brain
43
136417
1930
واقعا در مغز اتفاق می‌افتد انجام داد
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
عصب شناس بزرگ اسپانیایی،
سانتیاگو رامون ای کاخال بود،
سانتیاگو رامون ای کاخال بود،
02:34
in the 19th century,
45
142315
1544
در قرن ۱۹،
02:35
who used microscopy and special stains
46
143883
3755
که از میکروسکوپ و رنگ آمیزی
خاصی استفاده کرد
خاصی استفاده کرد
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
که به انتخاب می‌توانست با تضاد رنگ خوبی
02:43
the individual cells in the brain,
48
151856
2008
هر سلول مغز را پر یا روکش کند،
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
تا بتواند شروع به درک کارایی ظاهری آن کند.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
و اینها طراحی‌هایی است
که او از نورون‌ها ساخته
که او از نورون‌ها ساخته
02:52
in the 19th century.
51
160887
1209
در قرن ۱۹ میلادی.
02:54
This is from a bird brain.
52
162120
1884
این از مغز یک پرنده است.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
و اینجا انواع بسیار مختلفی از سلول‌ها
را می‌بینید،
را می‌بینید،
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
حتی خود نظریه سلولی
در این زمان بسیار جدید بود.
در این زمان بسیار جدید بود.
03:02
And these structures,
55
170568
1278
و این ساختار‌ها،
03:03
these cells that have these arborizations,
56
171870
2259
این سلول‌ها که دارای ارایش درختی هستند،
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
این شاخه‌ها که می‌توانند
تا فاصله‌های بسیار زیاد بروند --
تا فاصله‌های بسیار زیاد بروند --
03:08
this was very novel at the time.
58
176785
1616
در آن زمان بسیار جدید بودند.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
درست مثل سیم کشی می‌مانند.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
و برای بعضی ها در قرن ۱۹ خیلی بدیهی بود؛
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
انقلاب الکتریسیته
و سیم کشی تازه شروع شده بود.
و سیم کشی تازه شروع شده بود.
03:21
But in many ways,
62
189964
1178
اما از خیلی جنبه‌ها،
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
این ریز طراحی‌های تشریحی
توسط رامون ای کاخال، مثل این،
توسط رامون ای کاخال، مثل این،
03:26
they're still in some ways unsurpassed.
64
194503
2332
همچنان در نوع خود بی‌نظیرند.
03:28
We're still more than a century later,
65
196859
1854
هنوز بعد از یک قرن،
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
می‌خواهیم کاری که رامون ای کاخال
شروع کرده را تمام کنیم.
شروع کرده را تمام کنیم.
03:33
These are raw data from our collaborators
67
201586
3134
این ها اطلاعات خامی هستند
که همکارانمان
که همکارانمان
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
در انستیتو عصب شناسی ماکس پلانک
تهیه کرده اند.
تهیه کرده اند.
03:39
And what our collaborators have done
69
207649
1790
و کاری که همکارانمان انجام داده‌اند
03:41
is to image little pieces of brain tissue.
70
209463
5001
تصویربرداری از بافت کوچکی از مغز است.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
کل نمونه در اندازه یک میلیمتر مکعب است.
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
و من بخش خیلی خیلی کوچکی
از آن را به شما نشان می‌دهم.
از آن را به شما نشان می‌دهم.
03:52
That bar on the left is about one micron.
73
220483
2346
آن میله در چپ اندازه یک میکرون است.
03:54
The structures you see are mitochondria
74
222853
2409
ساختاری که می‌بینید یک میتوکندری است
03:57
that are the size of bacteria.
75
225286
2044
که به اندازه یک باکتری آست.
03:59
And these are consecutive slices
76
227354
1551
و اینها برش‌های پشت هم هستند
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
در این بخش بسیار بسیار کوچک بافت.
04:04
Just for comparison's sake,
78
232101
2403
تنها برای مقایسه،
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
قطر یک تار مو حدود ۱۰۰ میکرون است.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
پس ما به چیزهایی خیلی، خیلی کوچکتر
04:12
than a single strand of hair.
81
240642
1398
از یک تار مو نگاه می‌کنیم.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
و با استفاده از این نوع
برش‌های میکروسکوپ الکترونی،
برش‌های میکروسکوپ الکترونی،
04:18
one can start to make reconstructions
in 3D of neurons that look like these.
in 3D of neurons that look like these.
83
246119
5008
می‌توان نورون‌های
سه بعدی مثل این را بازسازی کرد.
سه بعدی مثل این را بازسازی کرد.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
پس اینها به شکلی مشابه
کارهای رامون ای کاخال است.
کارهای رامون ای کاخال است.
04:26
Only a few neurons lit up,
85
254332
1492
فقط چند نورون مشخص شده‌اند،
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
چون در غیر این صورت نمی‌توانستیم
چیزی را ببینیم.
چیزی را ببینیم.
04:30
It would be so crowded,
87
258653
1312
چون آنقدر شلوغ،
04:31
so full of structure,
88
259989
1330
و پر از ساختارهای،
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
ارتباطی از یک نورون به دیگری بود.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
پس رامون ای کاخال
از زمانه‌اش کمی جلوتر بود،
از زمانه‌اش کمی جلوتر بود،
04:40
and progress on understanding the brain
91
268121
2555
و پیشرفت در فهمیدن مغز
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
در چند دهه بعد به کندی پیش میرفت.
04:45
But we knew that neurons used electricity,
93
273455
2853
ما می‌دانستیم که نورون‌ها
از الکتریسیته استفاده می‌کنند،
از الکتریسیته استفاده می‌کنند،
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
تا زمان جنگ جهانی دوم،
فناوری ما به اندازه‌ای پیشرفت کرد
فناوری ما به اندازه‌ای پیشرفت کرد
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
تا شروع به آزمایش های الکتریکی
روی نورون‌های زنده کنیم
روی نورون‌های زنده کنیم
04:54
to better understand how they worked.
96
282122
2106
تا درک بهتری از کارکردشان داشته باشیم.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
و این همان وقتی بود
که رایانه‌ها اختراع شدند،
که رایانه‌ها اختراع شدند،
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
کاملا بر مبنای ایده و الگو سازی از مغز --
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
«ماشین‌های هوشمندی»
که آلن تورینگ نام گذاری کرده بود،
که آلن تورینگ نام گذاری کرده بود،
05:07
one of the fathers of computer science.
100
295244
1991
یکی از پدران علوم رایانه.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
وارن مک کلوچ و والتر پیتس
به طرح های رامون ای کاخال
به طرح های رامون ای کاخال
05:14
of visual cortex,
102
302579
1317
از قشر بینایی نگاه کردند،
05:15
which I'm showing here.
103
303920
1562
که اینجا نشان می‌دهم.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
این قشری است که تصاویری که
از چشم می‌آید را پردازش میکند.
از چشم می‌آید را پردازش میکند.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
و از نظر آنها، مثل مدارات الکتریکی بود.
05:26
So there are a lot of details
in McCulloch and Pitts's circuit diagram
in McCulloch and Pitts's circuit diagram
106
314353
3835
در نتیجه جزئیات زیادی
در مدارات مک کلوچ و پیتس وجود دارند
در مدارات مک کلوچ و پیتس وجود دارند
05:30
that are not quite right.
107
318212
1352
که کاملا درست نیستند.
05:31
But this basic idea
108
319588
1235
اما این ایده اولیه
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
که قشر بینایی مانند تعدادی
مدارات رایانه‌ای عمل میکند
مدارات رایانه‌ای عمل میکند
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
که بصورت سری اطلاعات را
از یکی به دیگری انتقال میدهد،
از یکی به دیگری انتقال میدهد،
05:39
is essentially correct.
111
327633
1602
در پایه صحیح بود.
05:41
Let's talk for a moment
112
329259
2350
بگذارید لحظه‌ای در مورد
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
روشی که برای پردازش اطلاعات تصویری
نیاز داریم صحبت کنیم.
نیاز داریم صحبت کنیم.
05:48
The basic task of perception
114
336228
2741
وظیفه اصلی ادراک
05:50
is to take an image like this one and say,
115
338993
4194
دریافت تصویری مثل این و بیان،
05:55
"That's a bird,"
116
343211
1176
« این پرنده است،»
05:56
which is a very simple thing
for us to do with our brains.
for us to do with our brains.
117
344411
2874
که واقعا موضوع ساده‌ای برای مغز ماست.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
اما باید بدانید که برای یک رایانه،
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
تا چند سال پیش تقریبا غیر ممکن بود.
06:05
The classical computing paradigm
120
353865
1916
برای روش های سنتی رایانه
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
انجام این کار ساده نیست.
06:11
So what's going on between the pixels,
122
359366
2552
اتفاقی که بین پیکسل‌های تصویر،
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
بین تصویر پرنده
و کلمه «پرنده» اتفاق می‌افتد،
و کلمه «پرنده» اتفاق می‌افتد،
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
اساسا دسته‌ای از نورون‌های متصل به هم است
06:20
in a neural network,
125
368832
1155
در یک شبکه عصبی،
06:22
as I'm diagramming here.
126
370011
1223
که اینجا درنمودار است.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
این شبکه عصبی می‌تواند از نوع زیستی
و درون قشر بینایی ما باشد،
و درون قشر بینایی ما باشد،
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
یا، این روز‌ها، ما شروع کرده‌ایم تا
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
این شبکه های عصبی را در رایانه مدل کنیم.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
و به شما نشان می‌دهم که واقعا شبیه چه است.
06:34
So the pixels you can think
about as a first layer of neurons,
about as a first layer of neurons,
131
382211
3416
پس پیکسل ها که می‌توانند ازدید شما
اولین لایه عصبی باشند،
اولین لایه عصبی باشند،
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
و این در واقع،
همانطوری است که چشم کار میکند --
همانطوری است که چشم کار میکند --
06:39
that's the neurons in the retina.
133
387914
1663
که عصب‌های شبکیه هستند.
06:41
And those feed forward
134
389601
1500
و آنهایی که مستقیما
از یک لایه به لایه دیگرعصبی
متصل می‌شوند،
متصل می‌شوند،
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
همگی از طریق سیناپس‌هایی
با وزن‌های مختلف متصل می‌شوند.
با وزن‌های مختلف متصل می‌شوند.
06:49
The behavior of this network
137
397609
1335
رفتار این شبکه
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
از طریق قدرت همه این سیناپس‌ها
مشخص می‌گردد.
مشخص می‌گردد.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
اینها رفتار محاسباتی شبکه را معین می‌کنند.
06:57
And at the end of the day,
140
405588
1470
و در پایان،
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
عصب، یا گروه کوچکی از اعصاب را داری
07:01
that light up, saying, "bird."
142
409553
1647
که مثلا، کلمه «پرنده» را روشن میکند.
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
حالا این سه موضوع را مدل می‌کنم --
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
پیکسل‌های ورودی سیناپس‌های شبکه عصبی،
07:11
and bird, the output --
145
419700
1585
و خروجی پرنده --
07:13
by three variables: x, w and y.
146
421309
3057
با سه متغیر: X، W و Y.
07:16
There are maybe a million or so x's --
147
424853
1811
حدود یک میلیون X داریم --
07:18
a million pixels in that image.
148
426688
1953
یک میلیون پیکسل در تصویر.
07:20
There are billions or trillions of w's,
149
428665
2446
میلیاردها یا تریلیارد‌ها W داریم،
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
که نشان دهنده وزن این سیناپس‌ها
در شبکه عصبی‌اند.
در شبکه عصبی‌اند.
07:26
And there's a very small number of y's,
151
434580
1875
و تعداد بسیار کمی Y وجود دارد،
07:28
of outputs that that network has.
152
436479
1858
که خروجی‌های آن شبکه‌اند.
07:30
"Bird" is only four letters, right?
153
438361
1749
کلمه «پرنده» چهار حرف دارد، درسته؟
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
حالا بگذارید فرض کنیم این
فقط یک معادله ساده است،
فقط یک معادله ساده است،
07:36
x "x" w = y.
155
444538
2163
X ضربدر W می‌شود Y.
07:38
I'm putting the times in scare quotes
156
446725
2036
من ضربدر را در گیومه گذاشته‌ام
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
چون اتفاقی که واقعا میافته،
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
مجموعه واقعا پیچیده‌ای از عملیات ریاضیه.
07:47
That's one equation.
159
455172
1221
این یک معادله است،
07:48
There are three variables.
160
456417
1672
که سه متغیر داره.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
و همه ما می‌دانیم که
اگه یک معادله داشته باشیم،
اگه یک معادله داشته باشیم،
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
می‌توانیم یک متغیر را با دانستن
دو متغیر دیگه بدست آوریم.
دو متغیر دیگه بدست آوریم.
07:57
So the problem of inference,
163
465158
3380
پس در نتیجه،
08:00
that is, figuring out
that the picture of a bird is a bird,
that the picture of a bird is a bird,
164
468562
2873
به این شکل، مشخص می‌شود که
تصویر یک پرنده، پرنده است،
تصویر یک پرنده، پرنده است،
08:03
is this one:
165
471459
1274
این یکی:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
اینجاست که Y مجهوله
و X و W معلوم.
و X و W معلوم.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
شبکه عصبی معلومه،
پیکسل‌ها معلومند.
پیکسل‌ها معلومند.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
همونطور که می‌بینید، نسبتا یک
مسئله سر راسته.
مسئله سر راسته.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
دو رو ضربدر سه می‌کنی و تمومه.
08:16
I'll show you an artificial neural network
170
484862
2123
من یک شبکه عصبی مصنوعی رو نشونتون می‌دهم
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
که اخیرا ساختیم
که دقیقا همین کار رو می‌کنه.
که دقیقا همین کار رو می‌کنه.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
این بصورت زنده کار می‌کنه
روی یک گوشی موبایل،
روی یک گوشی موبایل،
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
و البته این،
خودش واقعا عالیه،
خودش واقعا عالیه،
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
اون تلفن همراه میتونه میلیونها و
میلیاردها عملیات رو
میلیاردها عملیات رو
08:31
per second.
175
499347
1248
در ثانیه انجام بده.
08:32
What you're looking at is a phone
176
500619
1615
چیزی که می‌بینید تلفن هست
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
به عکس‌های پرنده‌های مختلف نگاه می‌کنه،
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
و نه تنها می‌گه که
« آره، این یک پرنده است»،
« آره، این یک پرنده است»،
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
بلکه نوع پرنده رو هم
با شبکه‌ای از این نوع تعیین می‌کنه.
با شبکه‌ای از این نوع تعیین می‌کنه.
08:44
So in that picture,
180
512890
1826
پس در این تصویر،
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
X و W معلومند،
و Y مجهول.
و Y مجهول.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
معلومه که، من قسمت خیلی سخت رو مخفی کردم،
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
که ما چطور W رو پیدا می‌کنیم،
08:56
the brain that can do such a thing?
184
524983
2187
مغزی که این کار‌ها رو می‌کنه؟
08:59
How would we ever learn such a model?
185
527194
1834
ما واقعا چطور این مدل رو پیدا می‌کنیم؟
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
پس این مدل یادگیری برای W حل شده،
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
اگه به شکل یک معادله ساده نگاهش کنیم
09:07
in which we think about these as numbers,
188
535346
2000
که به اونها به شکل عدد نگاه می‌کنیم،
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
معلومه که چکار می‌کنیم: ۶=۲xW ،
09:12
well, we divide by two and we're done.
190
540081
3312
خوب، به دو تقسیمش می‌کنیم و تمومه.
09:16
The problem is with this operator.
191
544001
2220
مشکل این ضریبه،
09:18
So, division --
192
546823
1151
خوب، تقسیم --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
ما از تقسیم استفاده می‌کنیم چون
معکوس ضربه،
معکوس ضربه،
09:23
but as I've just said,
194
551143
1440
اما همونطور که گفتم،
09:24
the multiplication is a bit of a lie here.
195
552607
2449
ضرب واقعا حرف درستی نیست.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
این یک عملیات خیلی، خیلی پیچیده غیر خطیه؛
09:30
it has no inverse.
197
558430
1704
که معکوس نداره.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
پس باید راهی پیدا کنیم تا
معادله رو حل کنیم
معادله رو حل کنیم
09:35
without a division operator.
199
563332
2024
بدون استفاده از تقسیم.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
و راه اون نسبتا ساده‌است.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
کافیه فقط، از یک کلک جبر استفاده کنیم،
09:42
and move the six over
to the right-hand side of the equation.
to the right-hand side of the equation.
202
570442
2906
و شش رو به سمت راست معادله ببریم.
09:45
Now, we're still using multiplication.
203
573372
1826
حالا، هنوز از ضرب استفاده می‌کنیم.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
و اون صفر --رو بگذارید
به عنوان خطا در نظر بگیریم.
به عنوان خطا در نظر بگیریم.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
به عبارت دیگر، اگر معادله
را برای W به شکل صحیح حل کنیم،
را برای W به شکل صحیح حل کنیم،
09:53
then the error will be zero.
206
581818
1656
مقدار خطا صفر می‌شود.
09:55
And if we haven't gotten it quite right,
207
583498
1938
و اگر درست عمل نکنیم،
09:57
the error will be greater than zero.
208
585460
1749
مقدار خطا صفر نمی‌شود.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
پس می‌تونیم حدس بزنیم
تا مقدار خطا رو حداقل کنیم،
تا مقدار خطا رو حداقل کنیم،
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
و اینها کارهایی است که رایانه‌ها
در اون استادند.
در اون استادند.
10:05
So you've taken an initial guess:
211
593334
1593
پس یه فرض اولیه می‌کنی:
10:06
what if w = 0?
212
594951
1156
فرض کنیم W=0 ؟
10:08
Well, then the error is 6.
213
596131
1240
پس خطا معادل ۶ است.
10:09
What if w = 1? The error is 4.
214
597395
1446
پس اگه W=۱ بود چی؟ خطا ۴ می‌شود.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
و رایانه به شکلی مارکوپولو بازی می‌کنه،
10:13
and drive down the error close to zero.
216
601256
2367
و مقدار خطا رو نزدیک به صفر کاهش می‌ده.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
و به این شکل مقدار تقریبی W بدست می‌آید
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
معمولا، هیچوقت دقیقا به آن نمی رسد،
ولی بعد از نزدیک ده مرحله،
ولی بعد از نزدیک ده مرحله،
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
ما به W=۲.۹۹ می‌رسیم،
که به اندازه کافی مناسبه،
که به اندازه کافی مناسبه،
10:28
And this is the learning process.
220
616302
1814
و این مرحله یادگیریه.
10:30
So remember that what's been going on here
221
618140
2730
خوب حالا اتفاقی که اینجا میافته
10:32
is that we've been taking
a lot of known x's and known y's
a lot of known x's and known y's
222
620894
4378
اینه که تعداد زیادی X های معلوم
و Yهای معلوم رو استفاده می‌کنیم
و Yهای معلوم رو استفاده می‌کنیم
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
و از روش تکرار W رو
محاسبه می‌کنیم.
محاسبه می‌کنیم.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
این دقیقا همون روشیه
که ما یادگیری رو انجام می‌دهیم.
که ما یادگیری رو انجام می‌دهیم.
10:44
We have many, many images as babies
225
632354
2230
مثل نوزادان ، تعداد خیلی، خیلی زیادی
تصویر می‌بینیم
تصویر می‌بینیم
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
و بهشون می‌گیم، « این پرنده است؛
و این پرنده نیست.»
و این پرنده نیست.»
10:49
And over time, through iteration,
227
637714
2098
و در طول زمان، از طریق تکرار،
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
W را برای آن اتصالات عصبی بدست می‌اوریم.
10:55
So now, we've held
x and w fixed to solve for y;
x and w fixed to solve for y;
229
643460
4086
پس حالا، ما برای بدست آوردن
Y مقدار‌های X و W رو ثابت نگاه داشتیم؛
Y مقدار‌های X و W رو ثابت نگاه داشتیم؛
10:59
that's everyday, fast perception.
230
647570
1847
و این ادراک سریع روزانه‌است.
11:01
We figure out how we can solve for w,
231
649441
1763
فهمیدیم، که چطور W را محاسبه کنیم،
11:03
that's learning, which is a lot harder,
232
651228
1903
این یادگیری، خیلی سخت تره،
11:05
because we need to do error minimization,
233
653155
1985
چون باید خطا رو حداقل کنیم،
11:07
using a lot of training examples.
234
655164
1687
با استفاده از کلی نمونه برای یادگیری.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
و حدود یک سال قبل،
آلکس موردیوینسف، در تیم ما،
آلکس موردیوینسف، در تیم ما،
11:12
decided to experiment
with what happens if we try solving for x,
with what happens if we try solving for x,
236
660086
3550
تصمیم گرفت تا بررسی کنه چه اتفاقی میافته
اگر اون رو برای X حل کنیم،
اگر اون رو برای X حل کنیم،
11:15
given a known w and a known y.
237
663660
2037
اگه مقدار مشخصی برای W و Y داشته باشیم.
11:18
In other words,
238
666124
1151
به عبارت دیگر،
11:19
you know that it's a bird,
239
667299
1352
می‌دونید که این یک پرنده است،
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
شبکه عصبی که
روی پرنده آموزش دیده رو دارید،
روی پرنده آموزش دیده رو دارید،
11:24
but what is the picture of a bird?
241
672002
2344
چه تصویری از پرنده بدست میاد؟
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
معلوم شده که با استفاده از
همون شیوه کمینه کردن خطا،
همون شیوه کمینه کردن خطا،
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
میتونه با شبکه‌ای که
برای تشخیص پرنده آموزش دیده،
برای تشخیص پرنده آموزش دیده،
11:35
and the result turns out to be ...
244
683536
3388
و نتیجه اون معلوم شد که ...
11:42
a picture of birds.
245
690400
1305
تصویر پرنده است.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
این تصویر پرنده‌هاست که کاملا توسط
یک شبکه عصبی ایجاد شده
یک شبکه عصبی ایجاد شده
11:48
that was trained to recognize birds,
247
696575
1826
که برای تضخیص پرنده آموزش دیده،
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
تنها با حل کردن آن برای X بجای Y،
11:53
and doing that iteratively.
249
701987
1288
و تکرار اون.
11:55
Here's another fun example.
250
703732
1847
این یک مثال سرگرم کننده دیگه است.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
این کاری است که توسط مایک تایکا
در گروه ما انجام شده،
در گروه ما انجام شده،
12:01
which he calls "Animal Parade."
252
709064
2308
که «رژه حیوانات» نامیده می‌شود.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
که من رو بیاد کارهای هنری
ویلیام کنتریج میاندازه،
ویلیام کنتریج میاندازه،
12:06
in which he makes sketches, rubs them out,
254
714296
2489
که طراحی های دستی انجام می‌داده،
12:08
makes sketches, rubs them out,
255
716809
1460
طرح می‌کرده، و اونها رو محو می‌کرده،
12:10
and creates a movie this way.
256
718293
1398
و با اون فیلم می‌ساخته.
12:11
In this case,
257
719715
1151
در این حالت،
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
کاری که مایک انجام می‌ده
تغییر Y در فضای حیوانات مختلف است،
تغییر Y در فضای حیوانات مختلف است،
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
در شبکه‌ای که برای تشخیص و تعیین
12:18
different animals from each other.
260
726597
1810
حیولنات مختلف از همدیگر طراحی شده.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
و شما این تصاویر گرافیکی اشتر گونه که از
حیوانی به دیگری تبدیل میشه رو می‌بینید.
حیوانی به دیگری تبدیل میشه رو می‌بینید.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
اینجا او و الکس با هم سعی کرده‌اند
12:30
the y's to a space of only two dimensions,
263
738859
2759
تا Y ها رو به فضای دو بعدی تبدیل کنند،
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
و اینطوری نقشه‌ای از فضای
همه چیزهایی بسازند
همه چیزهایی بسازند
12:37
recognized by this network.
265
745104
1719
که توسط این شبکه شناخته می‌شود.
12:38
Doing this kind of synthesis
266
746847
2023
با انجام این تحلیل ها
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
یا تولید تصویر در کل سطح،
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
با تغییر Y روی سطح،
یه نوع نقشه تولید می‌کنی --
یه نوع نقشه تولید می‌کنی --
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
یک نقشه تصویری از همه چیزهایی
که شبکه میتونه تشخیص بده.
که شبکه میتونه تشخیص بده.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
همه حیوانات اینجا هستند؛
«گورکن» درست اونجاست.
«گورکن» درست اونجاست.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
اینکار رو می‌تونی
با انواع دیگر شبکه انجام بدی.
با انواع دیگر شبکه انجام بدی.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
این شبکه‌ای است که برای تشخیص
چهره طراحی شده،
چهره طراحی شده،
12:58
to distinguish one face from another.
273
766320
2000
برای تشخیص یک صورت از صورت دیگر.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
و اینجا، در Y، ما مقداری رو می‌گذاریم
که بیانگر «من» هست،
که بیانگر «من» هست،
13:03
my own face parameters.
275
771617
1575
مقادیر صورت خودم.
13:05
And when this thing solves for x,
276
773216
1706
و اگه معادله رو برای X حل کنیم،
13:06
it generates this rather crazy,
277
774946
2618
این چیز عجیب،
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
تصویر روانپریشی از من،
شبیه سبک کوبیسم، سور رئال
شبیه سبک کوبیسم، سور رئال
13:14
from multiple points of view at once.
279
782040
1806
از چند زاویه دید همزمان.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
دلیل اینکه تصویر از چند زاویه دید همزمان
تولید شده
تولید شده
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
اینه که شبکه برای این طراحی شده
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
تا تغییر وضعیت صورت مبهم نباشه،
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
یا اگر به اون با نور‌های مختلف نگاه بشه.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
پس وقتی این بازسازی ها رو انجام بدهی،
13:30
if you don't use some sort of guide image
285
798348
2304
اگر یک تصویر راهنما نداشته باشی،
13:32
or guide statistics,
286
800676
1211
یا اطلاعات اولیه،
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
ترکیبی از زوایای دید مختلف بدست می‌آوری،
13:37
because it's ambiguous.
288
805700
1368
چون مبهمه.
13:39
This is what happens if Alex uses
his own face as a guide image
his own face as a guide image
289
807786
4223
این نتیجه‌ای است که آلکس وقتی از تصویر
صورت خودش به عنوان راهنما
صورت خودش به عنوان راهنما
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
در فرایند بهینه سازی
برای ایجاد صورت من استفاده کرده.
برای ایجاد صورت من استفاده کرده.
13:48
So you can see it's not perfect.
291
816284
2328
به نظر عالی نیست.
13:50
There's still quite a lot of work to do
292
818636
1874
هنوز باید کارهای زیادی
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
در بهینه سازی و روش‌های آن
انجام شود.
انجام شود.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
اما شروع کرده‌ایم تا چیزی
شبیه به صورتی منسجم بدست آوریم ،
شبیه به صورتی منسجم بدست آوریم ،
13:57
rendered using my own face as a guide.
295
825862
2014
که از صورت من به عنوان مبنا استفاده کرده.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
نیاز نیست تا از یک صفحه خالی شروع کنی
14:03
or with white noise.
297
831417
1156
یا از نویز سفید.
14:04
When you're solving for x,
298
832597
1304
اگر معادله را برای X حل کنی،
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
می تونی با یک X شروع کنی،
که خودش تصویر دیگری است.
که خودش تصویر دیگری است.
14:09
That's what this little demonstration is.
300
837838
2556
که همین نمونه‌ایست که می‌بینید.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
این شبکه‌ای است که طراحی شده
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
تا تمامی انواع اشیاء را طبقه بندی کند --
ساخته‌های انسان، حیوانات ...
ساخته‌های انسان، حیوانات ...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
اینجا با تصویری از ابر شروع می‌کنیم،
14:22
and as we optimize,
304
850324
1671
و همونطور که بهنینه سازی می‌کنیم.
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
اساسا، این شبکه چیزی را
که در ابرها می‌بیند را پیدا میکند.
که در ابرها می‌بیند را پیدا میکند.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
و هرچه بیشتر روی آن وقت بگذاری،
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
چیزهای بیشتری در آن می‌بینی.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
می‌توان از شبکه عصبی تشخیص صورت
برای خبال پردازی در آن استفاده کرد،
برای خبال پردازی در آن استفاده کرد،
14:38
and you get some pretty crazy stuff.
309
866403
1812
و چیزهای عجیب و غریب زیادی می‌بینی.
14:40
(Laughter)
310
868239
1150
( خنده حضار )
14:42
Or, Mike has done some other experiments
311
870401
2744
یا، مایک آزمایش‌های دیگری انجام داده
14:45
in which he takes that cloud image,
312
873169
3905
که در آن عکس‌های ابر را گرفته،
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
خیال پردازی، بزرگ نمایی، خیال پردازی،
بزرک نمایی.
بزرک نمایی.
14:52
And in this way,
314
880629
1151
و به این شکل،
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
به نظرم، به شکلی
در یک وضعیت گیجی شبکه قرار می‌گیری ،
در یک وضعیت گیجی شبکه قرار می‌گیری ،
14:57
or a sort of free association,
316
885503
3680
یا نوعی از ترکیب‌های آزاد،
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
که در آن شبکه دم خودش را می‌خورد.
15:03
So every image is now the basis for,
318
891458
3421
پس هر تصویر حالا پایه‌ای برای،
15:06
"What do I think I see next?
319
894903
1421
« فکر می‌کنم بعدی چیه؟
15:08
What do I think I see next?
What do I think I see next?"
What do I think I see next?"
320
896348
2803
فکر می‌کنم بعدی چیه؟
فکر می‌کنم بعدی چیه؟» خواهد بود
فکر می‌کنم بعدی چیه؟» خواهد بود
15:11
I showed this for the first time in public
321
899487
2936
اولین باری که برای عموم
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
و گروهی به نام «تحصیلات عالی»
در سیاتل این را نشان دادم --
در سیاتل این را نشان دادم --
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
درست وقتی بود که ماریجوانا قانونی شد.
15:22
(Laughter)
324
910369
2415
( خنده حضار )
15:26
So I'd like to finish up quickly
325
914627
2104
خوب باید زودتر جمع بندی کنم
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
با اشاره به اینکه
این فناوری هنوز محدود نشده.
این فناوری هنوز محدود نشده.
15:33
I've shown you purely visual examples
because they're really fun to look at.
because they're really fun to look at.
327
921034
3665
من تنها مثال‌های کاملا تصویری
آن را نشان دادم چون دیدنشان لذت بخش است.
آن را نشان دادم چون دیدنشان لذت بخش است.
15:36
It's not a purely visual technology.
328
924723
2451
ولی این تنها یک فناوری تصویری نیست.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
همکار هنری ما، راس گودوین،
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
آزمایش‌هایی انجام داده که در آن
دوربینی عکس می گیرد،
دوربینی عکس می گیرد،
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
و رایانه‌ای که در کوله پشتی‌اش است
در موردش با شبکه عصبی شعری می‌گوید،
در موردش با شبکه عصبی شعری می‌گوید،
15:49
based on the contents of the image.
332
937168
1944
با توجه به محتویات تصویر.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
و این شبکه عصبی شاعر روی
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
مجموعه بزرگی
از اشعار قرن بیستم آموزش دیده.
از اشعار قرن بیستم آموزش دیده.
15:56
And the poetry is, you know,
335
944365
1499
و به نظر من اشعارش،
15:57
I think, kind of not bad, actually.
336
945888
1914
واقعا، خیلی هم بد نیست.
15:59
(Laughter)
337
947826
1384
( خنده حضار )
16:01
In closing,
338
949234
1159
در خاتمه،
16:02
I think that per Michelangelo,
339
950417
2132
فکر کنم میکل آنژ،
16:04
I think he was right;
340
952573
1234
درست می‌گفت که؛
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
ادراک و خلاقیت
ذاتا بسیار به هم نزدیکند.
ذاتا بسیار به هم نزدیکند.
16:09
What we've just seen are neural networks
342
957611
2634
چیزهایی که دیدیم شبکه های عصبی‌اند
16:12
that are entirely trained to discriminate,
343
960269
2303
که تنها آموزش دیده‌اند تا تشخیص دهند،
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
یا چیزهای متفاوتی را در دنیا بشناسند،
16:16
able to be run in reverse, to generate.
345
964862
3161
و می‌توانند معکوس عمل کنند و تولید کنند.
16:20
One of the things that suggests to me
346
968047
1783
یکی از چیزهایی که به نظرم می‌رسد
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
این است که تنها میکل آنژ نیست
16:24
the sculpture in the blocks of stone,
348
972276
2452
که مجسمه‌ای در قطعه‌ای سنگ می‌بیند،
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
بلکه هر مخلوقی، هر موجودی،
هر موجود فرازمینی
هر موجود فرازمینی
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
که بتواند گونه ای از
فعالیتی ادراکی داشته باشد
فعالیتی ادراکی داشته باشد
16:34
is also able to create
351
982095
1375
هم می‌تواند خلاقیت داشته باشد
16:35
because it's exactly the same
machinery that's used in both cases.
machinery that's used in both cases.
352
983494
3224
چون واقعا یک دستگاه
هر دو کار را انجام میدهد.
هر دو کار را انجام میدهد.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
همچنین، به نظر من
ادراک و خلاقیت به هیچ وجه
ادراک و خلاقیت به هیچ وجه
16:43
uniquely human.
354
991298
1210
تنها مختص انسان نیستند.
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
مدل‌های رایانه‌ای را می‌بینیم
که دقیقا اینگونه کار‌ها را انجام می‌دهند.
که دقیقا اینگونه کار‌ها را انجام می‌دهند.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
و نباید تعجب کرد؛
چون مغز هم محاسباتی است.
چون مغز هم محاسباتی است.
16:51
And finally,
357
999616
1657
و در پایان،
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
برنامه ریزی رایانه شروع به
طراحی دستگاه‌های هوشمند کرده است.
طراحی دستگاه‌های هوشمند کرده است.
16:57
It was very much modeled after the idea
359
1005989
2462
وساخت آن قطعا پس از این نظر
17:00
of how could we make machines intelligent.
360
1008475
3013
که چطور می‌توانیم
دستگاه‌ها را هوشمند کنیم انجام شده.
دستگاه‌ها را هوشمند کنیم انجام شده.
17:03
And we finally are starting to fulfill now
361
1011512
2162
و نهایتا حالا شروع به انجام آن کرده‌ایم
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
بعضی از وعده‌های
این پیشگامان،
این پیشگامان،
17:08
of Turing and von Neumann
363
1016128
1713
تورینگ و فون نومان
17:09
and McCulloch and Pitts.
364
1017865
2265
و مک کولچ و پیت.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
و از دید من رایانه تنها برای حسابداری
17:16
or playing Candy Crush or something.
366
1024276
2147
یا بازی کندی‌کراش و این چیز‌ها نیست.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
از آغاز آنها را
بر مبنای ذهنمان ساخته ایم.
بر مبنای ذهنمان ساخته ایم.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
و به ما این امکان را دادند
تا ذهنمان را بهتربشناسیم
تا ذهنمان را بهتربشناسیم
17:24
and to extend them.
369
1032342
1529
و توسعه دهیم.
17:26
Thank you very much.
370
1034627
1167
خیلی از شما متشکرم.
17:27
(Applause)
371
1035818
5939
( تشویق حضار )
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise 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?
Blaise Agüera y Arcas | Speaker | TED.com