TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
בלייז אגוארה ארקס: איך מחשבים לומדים להיות יצירתיים
Filmed:
Readability: 4.4
1,934,067 views
אנחנו על הסף של פריצות דרך חדשות באמנות ויצירתיות -- והן לא אנושיות. בלייז אגוארה ארקס, המדען הראשי של גוגל, עובד עם רשתות עצביות עמוקות לתפיסת מכונה ולמידה מבוזרת. בדמו שובה הלב הזה, הוא מראה איך רשתות עצביות שמאומנות להכיר תמונות יכולות לרוץ אחורנית, כדי לייצר אותן. התוצאות: קולאג'ים מרהיבים הזייתיים שמתנגדים להגדרה. "תפישה ויצירתיות מחוברות אינטימית," אומר אגוארה ארקס, "כל יצור, כל ישות שמסוגלת לפעולות תפיסתיות מסוגלת גם ליצור."
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
אז, אני מוביל צוות בגוגל
שעובד על למידה חישובית;
שעובד על למידה חישובית;
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
כלומר, תחום ההנדסה שגורם
למחשבים ומכשירים
למחשבים ומכשירים
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
לעשות כמה מהדברים שמוחותינו עושים.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
וזה גורם לנו להתעניין במוחות אמיתיים
00:26
and neuroscience as well,
4
14562
1289
וגם במדעי המוח,
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
ובמיוחד בדברים שבביצועם מוחותינו
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
עדיין עולים בהרבה על מחשבים.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
מבחינה היסטורית, אחד התחומים האלה
הוא תפיסה,
הוא תפיסה,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
ההליך שדרכו כל הדברים שיש בעולם החיצוני --
00:43
sounds and images --
9
31905
1584
צלילים ותמונות --
00:45
can turn into concepts in the mind.
10
33513
2178
נעשים למושגים בשכל.
00:48
This is essential for our own brains,
11
36235
2517
זה חיוני למוחות שלנו,
00:50
and it's also pretty useful on a computer.
12
38776
2464
וגם די שימושי במחשב.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
האלגוריתמים לתפיסה חישובית, לדוגמא,
שהצוות שלנו מוציא,
שהצוות שלנו מוציא,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
הם מה שמאפשר לתמונותיכם
בגוגל פוטוז להיות ניתנות-חיפוש,
בגוגל פוטוז להיות ניתנות-חיפוש,
01:00
based on what's in them.
15
48908
1397
על פי תוכנן.
01:03
The flip side of perception is creativity:
16
51594
3493
הפן השני של תפיסה הוא יצירתיות:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
הפיכת מושג לעצם בעולם.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
וכך במשך השנה האחרונה,
עבודתנו על תפיסה חישובית
עבודתנו על תפיסה חישובית
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
התחברה באופן לא צפוי
לעולם היצירתיות החישובית,
לעולם היצירתיות החישובית,
01:18
and machine art.
20
66635
1160
ולאמנות ממוחשבת.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
אני חושב שלמיכלאלג'לו הייתה תובנה חודרת
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
לגבי היחס הדואלי הזה שבין תפיסה ליצירתיות.
01:28
This is a famous quote of his:
23
76023
2006
זאת ציטטה מפורסמת שלו:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"לכל אבן יש פסל בתוכה,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
ועבודת הפסל לגלות אותו."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
אז, אני חושב שמיכלאנג'לו התכוון לזה
01:41
is that we create by perceiving,
27
89269
3180
שאנחנו יוצרים באמצעות תפיסה,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
ושתפיסה עצמה היא מעשה של דמיון
01:47
and is the stuff of creativity.
29
95520
2461
והיא חומר היצירתיות.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
האיבר שמבצע את כל המחשבה והתפיסה והדמיון,
01:54
of course, is the brain.
31
102640
1588
הוא כמובן המוח.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
ואני רוצה לפתוח בקטע קצר של היסטוריה
01:59
about what we know about brains.
33
107658
2302
על מה שאנחנו יודעים על המוח.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
כי לא כמו, כגון, הלב או המעיים,
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
אי אפשר לומר הרבה על המוח
פשוט מלהסתכל עליו,
פשוט מלהסתכל עליו,
02:08
at least with the naked eye.
36
116134
1412
לפחות, בעין בלתי מזויינת.
02:09
The early anatomists who looked at brains
37
117983
2416
האנטומיסטים המוקדמים שהסתכלו על מוחות
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
קראו למבנים השטחיים של הדבר הזה
בכל מיני שמות דמיוניים,
בכל מיני שמות דמיוניים,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
כגון היפוקמפוס, שמשמעו "חסילון קטן."
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
אך בבירור דבר מסוג זה לא מספר לנו הרבה
02:21
about what's actually going on inside.
41
129499
2318
על מה שבאמת קורה בפנים.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
האדם הראשון, לדעתי, שבפועל פיתח
איזה מין של הבנה
איזה מין של הבנה
02:28
into what was going on in the brain
43
136417
1930
של מה שבאמת קורה בתוך המוח
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
היה הניורואנטומיסט הספרדי הגדול,
סנטיאגו רמון אי קחאל,
סנטיאגו רמון אי קחאל,
02:34
in the 19th century,
45
142315
1544
במאה התשע-עשרה,
02:35
who used microscopy and special stains
46
143883
3755
שהשתמש במיקרוסקופ וצבעים מיוחדים
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
שיכלו לדמות בבררנות ובניגוד גבוה
02:43
the individual cells in the brain,
48
151856
2008
תאים יחידים במוח,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
כדי להתחיל להבין את המורפולוגיה שלהם.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
ואלה סוגי הציורים שהוא צייר של תאי עצב
02:52
in the 19th century.
51
160887
1209
במאה התשע-עשרה.
02:54
This is from a bird brain.
52
162120
1884
זה מתוך מוח של ציפור.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
ותראו את המגוון המדהים הזה
של תאים מסוגים שונים,
של תאים מסוגים שונים,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
אפילו תיאוריית התא עצמה
הייתה חדשה למדי בעת הזו
הייתה חדשה למדי בעת הזו
03:02
And these structures,
55
170568
1278
והמבנים האלה,
03:03
these cells that have these arborizations,
56
171870
2259
התאים האלה שיש להם הסתעפויות כאלה
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
וענפים כאלה שמסוגלים להאריך מרחקים רבים --
03:08
this was very novel at the time.
58
176785
1616
זה היה מאד חדשני ומקורי בתקופה זו.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
הם מזכירים חוטים כמובן.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
אפשר שכבר תפסו כך כמה אנשים
במאה התשע-עשרה;
במאה התשע-עשרה;
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
מהפכות החיווט והחישמול בדיוק החלו.
03:21
But in many ways,
62
189964
1178
אבל מבחינות רבות,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
הציורים המיקרו-אנטומיים האלה
של רמון אי קחאל, כגון זה,
של רמון אי קחאל, כגון זה,
03:26
they're still in some ways unsurpassed.
64
194503
2332
מבחינת-מה עוד לא הושגו.
03:28
We're still more than a century later,
65
196859
1854
ואנחנו מאה שנים אחרי כן,
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
מנסים לגמור את העבודה בו רמון אי קחאל החל.
03:33
These are raw data from our collaborators
67
201586
3134
אלה הם נתונים לא-מעובדים
ממשתפי הפעולה שלנו
ממשתפי הפעולה שלנו
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
במכון מקס פלאנק למדעי מוח.
03:39
And what our collaborators have done
69
207649
1790
ומה שמשתפי הפעולה שלנו עשו
03:41
is to image little pieces of brain tissue.
70
209463
5001
זה לדמת חלקיקים קטנים של רקמה מוחית.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
כל הדגימה הינה קרובה
בגודלה למילימטר מעוקב אחד,
בגודלה למילימטר מעוקב אחד,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
ואני מראה לכם חלק מאד קטן ממנה פה.
03:52
That bar on the left is about one micron.
73
220483
2346
הפס הזה שלצד שמאל בגודל מיקרון אחד בערך.
03:54
The structures you see are mitochondria
74
222853
2409
המבנים שאתם רואים הם מיטוכונדריה
03:57
that are the size of bacteria.
75
225286
2044
ששווים בגודלם לחיידק.
03:59
And these are consecutive slices
76
227354
1551
ואלה פרוסות עוקבות
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
בתוך הגוש הקטנטן מאד הזה של רקמה.
04:04
Just for comparison's sake,
78
232101
2403
רק לשם השוואה,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
קוטר קווצה ממוצעת של שיער היא כמאה מיקרון.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
וכך אנחנו מתבוננים במשהו הרבה יותר זעיר
04:12
than a single strand of hair.
81
240642
1398
משערה אחת.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
ועל פי כל הסוגים האלה של פרוסות סדרתיות
מוגדלות מיקרוסקופ-אלקטרוני,
מוגדלות מיקרוסקופ-אלקטרוני,
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
אפשר להתחיל בשיחזורים תלת-ממדיים
של תאי עצב, הנראים ככה.
של תאי עצב, הנראים ככה.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
ובכן, אלה נוהגים על פי אותו סגנון
בקירוב של רמון אי קחאל.
בקירוב של רמון אי קחאל.
04:26
Only a few neurons lit up,
85
254332
1492
רק תאי עצב אחדים נדלקו,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
אחרת לא היינו יכולים לראות
פה שום דבר.
פה שום דבר.
04:30
It would be so crowded,
87
258653
1312
יהיה כל כך צפוף,
04:31
so full of structure,
88
259989
1330
כל כך מלא מבנים,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
מלא חיווט המקשר תאי עצב אחד לשני.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
אז רמון אי קחאל במידה הקדים את זמנו,
04:40
and progress on understanding the brain
91
268121
2555
והתקדמות בהבנת המוח
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
התקדמה לאט לאט במשך העשורים הבאים.
04:45
But we knew that neurons used electricity,
93
273455
2853
אבל ידענו שתאי עצב עשו שימוש בחשמל,
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
ועד מלחמת העולם השנייה,
הטכנולוגיה שלנו התקדמה דיה
הטכנולוגיה שלנו התקדמה דיה
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
כדי להתחיל ניסויים חשמליים
אמיתיים בתאי עצב חיים
אמיתיים בתאי עצב חיים
04:54
to better understand how they worked.
96
282122
2106
בשביל להבין טוב יותר כיצד הם עבדו.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
זה אותו הזמן שמחשבים הומצאו לראשונה,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
ממש בהתבסס על הרעיון של בניית דגם המוח --
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
של "מנגנון נבון,"
כמו שאלן טיורינג כינה אותו,
כמו שאלן טיורינג כינה אותו,
05:07
one of the fathers of computer science.
100
295244
1991
אחד מאבות מדעי המחשב.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
ווארן מקולוק ווואלטר פיטס
הביטו בציורו של רמון אי קחאל
הביטו בציורו של רמון אי קחאל
05:14
of visual cortex,
102
302579
1317
של קליפת הראייה,
05:15
which I'm showing here.
103
303920
1562
שאותו אני מראה פה.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
זאת הקליפה שמעבדת
דימויים המגיעים מהעין.
דימויים המגיעים מהעין.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
ומבחינתם, זה נראה כמו
דיאגרמת מעגל חשמלי.
דיאגרמת מעגל חשמלי.
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
לכן יש הרבה פרטים בדיאגרמת
המעגל של מקולוק ופיטס
המעגל של מקולוק ופיטס
05:30
that are not quite right.
107
318212
1352
שאינם לגמרי נכונים.
05:31
But this basic idea
108
319588
1235
אבל הרעיון המרכזי הזה
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
שקליפת הראייה עובדת
כסדרה של רכיבים חישוביים
כסדרה של רכיבים חישוביים
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
המעבירים מידע אחד לרעהו במפל,
05:39
is essentially correct.
111
327633
1602
בעיקרו של דבר נכון.
05:41
Let's talk for a moment
112
329259
2350
בואו נדבר רגע
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
על מה שדגם לעיבוד מידע חזותי צריך לעשות.
05:48
The basic task of perception
114
336228
2741
המשימה היסודית של תפיסה
05:50
is to take an image like this one and say,
115
338993
4194
היא החזקת תמונה כזו שמשמאל ולאמר כי
05:55
"That's a bird,"
116
343211
1176
"זאת ציפור,"
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
היא דבר מאד פשוט לעשות בעזרת מוחותינו.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
אבל צריכים להבין שעבור מחשבים,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
זה היה כמעט בלתי אפשרי רק לפני כמה שנים.
06:05
The classical computing paradigm
120
353865
1916
במסגרת הפרדיגמה החישובית הקלאסית
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
אין זאת משימה קלת-ביצוע.
06:11
So what's going on between the pixels,
122
359366
2552
אז מה שקורה בין הפיקסלים,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
בין דמות הציפור לבין המילה "ציפור,"
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
ביסוד הוא התקשרות
בין מערכת תאי עצב מקושרים
בין מערכת תאי עצב מקושרים
06:20
in a neural network,
125
368832
1155
זה לזה ברשת עצבית,
06:22
as I'm diagramming here.
126
370011
1223
כפי שאני משרטט פה.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
הרשת העצבית יכולה להיות ביולוגית,
בתוך קליפתנו הראייתית,
בתוך קליפתנו הראייתית,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
או, כיום, מתחילה להיות לנו היכולת
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
לבנות דגמים של רשתות אלה במחשב.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
ואראה לכם איך זה נראה באמת.
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
אז אתם יכולים לחשוב על הפיקסלים
כשכבה הראשונה של ניורונים,
כשכבה הראשונה של ניורונים,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
וזה, למעשה, איך שזה עובד בעין --
06:39
that's the neurons in the retina.
133
387914
1663
אלה הניורונים ברשתית.
06:41
And those feed forward
134
389601
1500
ואלה מזינים הלאה
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
לתוך שכבה אחת אחרי אחרת
אחרי הבאה של ניורונים,
אחרי הבאה של ניורונים,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
כולם מחוברים על ידי סינפסות במשקלים שונים.
06:49
The behavior of this network
137
397609
1335
ההתנהגות של הרשת הזו
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
מאופיינת על ידי הכוחות
של כל הסינפסות האלה.
של כל הסינפסות האלה.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
אלה מאפיינים את התכונות המחשוביות
של הרשת הזו.
של הרשת הזו.
06:57
And at the end of the day,
140
405588
1470
ובסופו של יום,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
יש לכם ניורון או קבוצה קטנה של ניורונים
07:01
that light up, saying, "bird."
142
409553
1647
שנדלקים, ואומרים, "ציפור."
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
עכשיו אני עומד לייצג
את שלושת הדברים האלה --
את שלושת הדברים האלה --
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
פיקסל הקלט והסינפסות ברשתות העצביות,
07:11
and bird, the output --
145
419700
1585
וציפור, הפלט --
07:13
by three variables: x, w and y.
146
421309
3057
על ידי שלושה משתנים: X, W ו Y.
07:16
There are maybe a million or so x's --
147
424853
1811
יש אולי מליון Xים בערך --
07:18
a million pixels in that image.
148
426688
1953
מליון פיקסלים בתמונה הזו.
07:20
There are billions or trillions of w's,
149
428665
2446
יש מיליארדים או טריליונים של W,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
שמייצגים את המשקל של כל הסינפסות האלו
ברשתות העצביות.
ברשתות העצביות.
07:26
And there's a very small number of y's,
151
434580
1875
ויש מספר מאוד קטן של Y,
07:28
of outputs that that network has.
152
436479
1858
של פלטים שיש לרשת הזו.
07:30
"Bird" is only four letters, right?
153
438361
1749
"ציפור " היא רק חמש אותיות, נכון?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
אז בואו נעמיד פנים שזו רק נוסחה פשוטה,
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
אני שם את הכפול בגרשיים
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
בגלל שמה שבאמת מתרחש פה, כמובן,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
זה סדרה מאוד מורכבת של פעולות מתמטיות.
07:47
That's one equation.
159
455172
1221
זו משוואה אחת.
07:48
There are three variables.
160
456417
1672
יש שלושה משתנים.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
וכולנו יודעים שאם יש לכם משוואה אחת,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
אתם יכולים לפתור משתנה אחד
אם יודעים את שני הדברים האחרים.
אם יודעים את שני הדברים האחרים.
07:57
So the problem of inference,
163
465158
3380
אז הבעיה של הסקה,
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
שהיא, להבין שהתמונה של הציפור היא ציפור,
08:03
is this one:
165
471459
1274
היא זו:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
פה Y הוא המשתנה ו W ו X ידועים.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
אתם יודעים את הרשת העצבית,
אתם יודעים את הפיקסלים.
אתם יודעים את הפיקסלים.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
כמו שאתם יכולים לראות,
זו למעשה בעיה די פשוטה.
זו למעשה בעיה די פשוטה.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
אתם מכפילים שתיים כפול שלוש וסיימתם.
08:16
I'll show you an artificial neural network
170
484862
2123
אני אראה לכם רשת עצבית מלאכותית
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
שבנינו לאחרונה, ועשינו בדיוק את זה.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
זה רץ בזמן אמת על טלפון נייד,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
וזה, כמובן, מדהים בפני עצמו,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
הטלפונים הניידים יכולים לעשות
כל כך הרבה מליארדים וטריליונים של פעולות
כל כך הרבה מליארדים וטריליונים של פעולות
08:31
per second.
175
499347
1248
לשניה.
08:32
What you're looking at is a phone
176
500619
1615
מה שאתם רואים זה טלפון
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
מביט בתמונות של ציפורים אחת אחרי השניה,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
ולמעשה לא רק אומר, "כן, זו ציפור,"
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
אלא מזהה את המין
של הציפור עם רשת מסוג כזה.
של הציפור עם רשת מסוג כזה.
08:44
So in that picture,
180
512890
1826
אז בתמונה הזו,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
ה X וה W ידועים, וה Y לא ידוע.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
אני מרפרף על החלקים הממש קשים כמובן,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
שזה איך בעצם אנחנו מגלים את ה W,
08:56
the brain that can do such a thing?
184
524983
2187
המוח שיכול לעשות כזה דבר?
08:59
How would we ever learn such a model?
185
527194
1834
איך אי פעם נלמד מודל כזה?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
אז התהליך הזה של למידה, או פתירת ה W,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
אם היינו עושים את זה עם משוואות פשוטות
09:07
in which we think about these as numbers,
188
535346
2000
בהן אנחנו חושבים על אלה כמספרים,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
אנחנו יודעים בדיוק
איך לעשות את זה: 6 = 2 *w,
איך לעשות את זה: 6 = 2 *w,
09:12
well, we divide by two and we're done.
190
540081
3312
ובכן, אנחנו מחלקים בשניים וסיימנו.
09:16
The problem is with this operator.
191
544001
2220
הבעיה היא עם הפעולה הזו.
09:18
So, division --
192
546823
1151
אז, חלוקה --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
השתמשו בחלוקה בגלל שהיא ההפך מכפל,
09:23
but as I've just said,
194
551143
1440
אבל כמו שכרגע אמרתי,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
ההכפלה היא מעט שקר פה.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
זו פעולה מאוד מאוד מורכבת,
מאוד לא לינארית;
מאוד לא לינארית;
09:30
it has no inverse.
197
558430
1704
אין לה פעולה הופכית.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
אז אנחנו צריכים למצוא דרך לפתור את המשוואה
09:35
without a division operator.
199
563332
2024
בלי פעולת החילוק.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
והדרך לעשות את זה היא די ישירה.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
אתם פשוט אומרים,
בואו נשחק בטריק אלגבראי פשוט,
בואו נשחק בטריק אלגבראי פשוט,
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
ונעביר את השש לצד ימין של המשוואה.
09:45
Now, we're still using multiplication.
203
573372
1826
עכשיו, אנחנו עדיין משתמשים בכפל.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
והאפס הזה -- בואו נחשוב עליו כשגיאה.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
במילים אחרות, אם פתרנו עבור W נכון,
09:53
then the error will be zero.
206
581818
1656
אז השגיאה תהיה אפס.
09:55
And if we haven't gotten it quite right,
207
583498
1938
ואם זה לא יצא לנו ממש נכון,
09:57
the error will be greater than zero.
208
585460
1749
השגיאה תהיה גדולה מאפס.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
אז עכשיו אנחנו יכולים פשוט לנחש
כדי להקטין את השגיאה,
כדי להקטין את השגיאה,
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
וזה סוג הדבר שמחשבים ממש טובים בו.
10:05
So you've taken an initial guess:
211
593334
1593
אז לקחתם ניחוש ראשוני:
10:06
what if w = 0?
212
594951
1156
מה אם W=0?
10:08
Well, then the error is 6.
213
596131
1240
ובכן, אז השגיאה היא 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
מה עם W =1? השגיאה היא 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
ואז המחשב יכול לשחק סוג של מרקו פולו,
10:13
and drive down the error close to zero.
216
601256
2367
ולהוריד את השגיאה קרוב לאפס.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
וכשהוא עושה את זה,
הוא מקבל קרובים עוקבים ל W.
הוא מקבל קרובים עוקבים ל W.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
ובאופן טיפוסי, הוא לעולם לא ממש מגיע לשם,
אבל אחרי בערך שנים עשר צעדים,
אבל אחרי בערך שנים עשר צעדים,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
אנחנו מגיעים ל W = 2.999, שזה קרוב מספיק.
10:28
And this is the learning process.
220
616302
1814
וזה תהליך הלמידה.
10:30
So remember that what's been going on here
221
618140
2730
אז זכרו שמה שמתרחש פה
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
זה שלקחנו הרבה X ידועים ו Y ידועים
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
ופתרנו עבור W במרכז דרך תהליך לולאתי.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
זו בדיוק אותה דרך שאנחנו עושים
את הלמידה בעצמנו.
את הלמידה בעצמנו.
10:44
We have many, many images as babies
225
632354
2230
יש לנו הרבה הרבה תמונות כתינוקות
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
ואומרים לנו, "זו ציפור; זו לא ציפור."
10:49
And over time, through iteration,
227
637714
2098
ובמשך הזמן, דרך חזרה,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
אנחנו פותרים עבור W,
אנחנו פותרים עבור החיבורים העצביים האלה.
אנחנו פותרים עבור החיבורים העצביים האלה.
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
אז עכשיו, החזקנו את X ואת W קבועים
כדי לפתור עבור Y;
כדי לפתור עבור Y;
10:59
that's everyday, fast perception.
230
647570
1847
זו תפישה מהירה, יום יומית.
11:01
We figure out how we can solve for w,
231
649441
1763
הבנו איך אנחנו יכולים לפתור עבור W,
11:03
that's learning, which is a lot harder,
232
651228
1903
זה למידה, שהיא הרבה יותר קשה,
11:05
because we need to do error minimization,
233
653155
1985
בגלל שאנחנו צריכים לעשות מזעור שגיאות,
11:07
using a lot of training examples.
234
655164
1687
בשימוש בהרבה דוגמאות אימון.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
ולפני בערך שנה,
אלכס מורדבינטסב, בצוות שלנו,
אלכס מורדבינטסב, בצוות שלנו,
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
החליט להתנסות עם מה שקורה
אם אנחנו מנסים לפתור עבור X,
אם אנחנו מנסים לפתור עבור X,
11:15
given a known w and a known y.
237
663660
2037
בהתחשב ב W ו Y ידועים.
11:18
In other words,
238
666124
1151
במילים אחרות,
11:19
you know that it's a bird,
239
667299
1352
אתם יודעים שזו ציפור,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
וכבר יש לכם את הרשת העצבית
שאימנתם על ציפורים,
שאימנתם על ציפורים,
11:24
but what is the picture of a bird?
241
672002
2344
אבל מה היא התמונה של הציפור?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
מסתבר שבשימוש בדיוק
באותו תהליך מזעור שגיאות,
באותו תהליך מזעור שגיאות,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
שאפשר לעשות עם רשת שמאומנת להכיר ציפורים,
11:35
and the result turns out to be ...
244
683536
3388
ומסתבר שהתוצאה היא...
11:42
a picture of birds.
245
690400
1305
תמונה של ציפורים.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
אז זו תמונה של ציפורים
שמייוצרת לגמרי על ידי רשת עצבית
שמייוצרת לגמרי על ידי רשת עצבית
11:48
that was trained to recognize birds,
247
696575
1826
שאומנה להכיר ציפורים,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
פשוט על ידי פיתרון ל X במקום לפתור ל Y,
11:53
and doing that iteratively.
249
701987
1288
ולעשות את זה בחזרתיות.
11:55
Here's another fun example.
250
703732
1847
הנה דוגמה כיפית נוספת.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
זו היתה עבודה שנעשתה
על ידי מייק טייקה בקבוצה שלנו,
על ידי מייק טייקה בקבוצה שלנו,
12:01
which he calls "Animal Parade."
252
709064
2308
שנקראה "תהלוכת החיות."
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
זה מזכיר לי מעט את האמנות
של ווליאם קמטרידג',
של ווליאם קמטרידג',
12:06
in which he makes sketches, rubs them out,
254
714296
2489
בה הוא יוצר איורים, מוחק אותם,
12:08
makes sketches, rubs them out,
255
716809
1460
יוצר איורים, מוחק אותם,
12:10
and creates a movie this way.
256
718293
1398
ויוצר סרט בדרך זו.
12:11
In this case,
257
719715
1151
במקרה הזה,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
מה שמייק עושה זה לשנות את Y
במרחב של חיות שונות,
במרחב של חיות שונות,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
ברשת שמתוכננת להכיר ולהבחין
12:18
different animals from each other.
260
726597
1810
בין חיות שונות.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
ואתם מקבלים את הסוג במוזר הזה של שינויים
כמו של אשר, מחיה אחת לאחרת.
כמו של אשר, מחיה אחת לאחרת.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
פה הוא ואלכס יחד ניסו להפחית
12:30
the y's to a space of only two dimensions,
263
738859
2759
את ה Y לחלל של רק שני מימדים,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
לכן הם יוצרים מפה מהחלל של כל הדברים
12:37
recognized by this network.
265
745104
1719
שמוכרים על ידי הרשת הזו.
12:38
Doing this kind of synthesis
266
746847
2023
לעשות סוג כזה של סינטזה
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
או יצירה של תמונות על פני כל המשטח,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
שמשנים את Y על המשטח,
אתם עושים סוג של מפה --
אתם עושים סוג של מפה --
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
מפה ויזואלית של כל הדברים
שהרשת יודעת איך להכיר.
שהרשת יודעת איך להכיר.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
החיות כולן פה; "ארמדילו"
בדיוק בנקודה הזו בנקודה ההיא.
בדיוק בנקודה הזו בנקודה ההיא.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
אתם יכולים לעשות זאת
גם עם סוגים אחרים של רשתות.
גם עם סוגים אחרים של רשתות.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
זו רשת שמתוכננת להכיר פרצופים,
12:58
to distinguish one face from another.
273
766320
2000
כדי להבחין בין פרצוף אחד לאחר.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
ופה, אנחנו שמים את ה Y שאומר, "אני,"
13:03
my own face parameters.
275
771617
1575
הפרמטרים של הפנים שלי.
13:05
And when this thing solves for x,
276
773216
1706
וכשהדבר הזה פותר ל X,
13:06
it generates this rather crazy,
277
774946
2618
הוא יוצר תמונה די משוגעת,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
סוג של תמונה קוביסטית, סוראליסטית,
ופסיכדלית שלי
ופסיכדלית שלי
13:14
from multiple points of view at once.
279
782040
1806
ממספר נקודות צפיה יחד.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
הסיבה שזה נראה כמו מספר רב
של נקודות מבט יחד
של נקודות מבט יחד
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
זה בגלל שהרשת הזו מעוצבת להפתר מדו-משמעות
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
של פנים שבפוזה אחת או אחרת,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
כשמסתכלים עליהם עם סוג אחד של תאורה,
או סוג אחר של תאורה.
או סוג אחר של תאורה.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
אז כשאתם עושים סוג זה של בנייה מחדש,
13:30
if you don't use some sort of guide image
285
798348
2304
אם אתם לא משתמשים
בסוג מסווים של תמונת הנחייה
בסוג מסווים של תמונת הנחייה
13:32
or guide statistics,
286
800676
1211
או סטטיסטיקה מנחה,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
אז אתם תקבלו סוג של בלבול
מנקודות מבט שונות,
מנקודות מבט שונות,
13:37
because it's ambiguous.
288
805700
1368
בגלל שזה דו משמעי.
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
זה מה שקורה אם אלכס
משתמש בפנים של עצמו כתמונה מנחה
משתמש בפנים של עצמו כתמונה מנחה
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
במהלך תהליך האופטימיזציה
כדי לבנות מחדש את הפנים שלי.
כדי לבנות מחדש את הפנים שלי.
13:48
So you can see it's not perfect.
291
816284
2328
אז אתם יכולים לראות שזה לא מושלם.
13:50
There's still quite a lot of work to do
292
818636
1874
יש עדיין די הרבה עבודה לעשות
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
על איך אנחנו עושים מיטוב של תהליך המיטוב.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
אבל אתם מתחילים לקבל משהו
יותר כמו פנים ברורות,
יותר כמו פנים ברורות,
13:57
rendered using my own face as a guide.
295
825862
2014
שמצויירות בשימוש בפנים שלי כהנחיה.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
אתם לא צריכים להתחיל עם קאנבס ריק
14:03
or with white noise.
297
831417
1156
או עם צליל לבן.
14:04
When you're solving for x,
298
832597
1304
כשאתם פותרים עבור X,
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
אתם יכולים להתחיל עם X,
שהוא בעצמו כבר תמונה אחרת.
שהוא בעצמו כבר תמונה אחרת.
14:09
That's what this little demonstration is.
300
837838
2556
זו מה שההדגמה הקטנה הזו.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
זו רשת שמתוכננת לקטלג
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
כל מיני אובייקטים שונים --
מבנים מעשה ידי אדם, חיות...
מבנים מעשה ידי אדם, חיות...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
פה אנחנו מתחילים עם רק תמונה של עננים,
14:22
and as we optimize,
304
850324
1671
וכשאנחנו ממטבים,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
בעיקרון, הרשת הזו מבינה
מה היא רואה בעננים.
מה היא רואה בעננים.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
וככל שאתם מבלים יותר זמן בלהביט בהם,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
אתם גם תראו הרבה יותר דברים בעננים.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
אתם תוכלו גם להשתמש
ברשת הפנים כדי להזות לתוך זה,
ברשת הפנים כדי להזות לתוך זה,
14:38
and you get some pretty crazy stuff.
309
866403
1812
ואתם מקבלים דברים די מטורפים.
14:40
(Laughter)
310
868239
1150
(צחוק)
14:42
Or, Mike has done some other experiments
311
870401
2744
או, מייק עשה כמה ניסויים אחרים
14:45
in which he takes that cloud image,
312
873169
3905
בהם הוא לוקח את תמונת העננים ההיא,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
הוזה, עושה זום, הוזה, זום, הוזה, זום.
14:52
And in this way,
314
880629
1151
ובדרך זו,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
אתם יכולים לקבל סוג של מצב
של פוגה של הרשת, אני מניח,
של פוגה של הרשת, אני מניח,
14:57
or a sort of free association,
316
885503
3680
או סוג של אסוציאציה חופשית,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
בה הרשת אוכלת את הזנב של עצמה.
15:03
So every image is now the basis for,
318
891458
3421
אז כל תמונה היא עכשיו הבסיס,
15:06
"What do I think I see next?
319
894903
1421
ל"מה אני חושב שאני רואה עכשיו?
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
מה אני חושב שאני רואה עכשיו?
מה אני חושב שאני רואה עכשיו?"
מה אני חושב שאני רואה עכשיו?"
15:11
I showed this for the first time in public
321
899487
2936
הראתי את זה בפעם הראשונה בציבור
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
לקבוצה בהרצאה בסיאטל
שנקראה "חינוך גבוה יותר" --
שנקראה "חינוך גבוה יותר" --
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
זה היה מייד אחרי שמריחואנה הפכה לחוקית.
15:22
(Laughter)
324
910369
2415
(צחוק)
15:26
So I'd like to finish up quickly
325
914627
2104
אז הייתי רוצה לסיים במהירות
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
פשוט בלהעיר שהטכנולוגיה הזו לא מוגבלת.
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
הראתי לכם דוגמאות ויזאוליות לגמרי
בגלל שבאמת כיף להביט בהן.
בגלל שבאמת כיף להביט בהן.
15:36
It's not a purely visual technology.
328
924723
2451
זו לא טכנולוגיה ויזואלית לגמרי.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
האמן ששיתף איתנו פעולה, רוס גודווין,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
עשה ניסויים שכללו מצלמה שמצלמת תמונות,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
ואז המחשב בתיק שלו כותב פואמה
בשימוש ברשתות עצביות,
בשימוש ברשתות עצביות,
15:49
based on the contents of the image.
332
937168
1944
בהתבסס על התוכן של התמונה.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
והרשת העצבית הזו של השירה אומנה
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
על קורפוס גדול של השירה של המאה ה20.
15:56
And the poetry is, you know,
335
944365
1499
והשירה היא, אתם יודעים,
15:57
I think, kind of not bad, actually.
336
945888
1914
אני חושב, סוג של לא רעה, למעשה.
15:59
(Laughter)
337
947826
1384
(צחוק)
16:01
In closing,
338
949234
1159
לסיכום.
16:02
I think that per Michelangelo,
339
950417
2132
אני חושב שעבור מיכאלאנג'לו,
16:04
I think he was right;
340
952573
1234
אני חושב שהוא צדק;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
תפישה ויצירתיות מחוברות מאוד אינטימית.
16:09
What we've just seen are neural networks
342
957611
2634
מה שכרגע ראינו הן רשתות עצביות
16:12
that are entirely trained to discriminate,
343
960269
2303
שלגמרי מאומנות להפלות,
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
או להכיר דברים שונים בעולם,
16:16
able to be run in reverse, to generate.
345
964862
3161
מסוגלת להיות מורצת אחורנית, כדי לייצר.
16:20
One of the things that suggests to me
346
968047
1783
אחד הדברים שמראים לי
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
הם לא רק שמיכאלאנג'לו באמת ראה
16:24
the sculpture in the blocks of stone,
348
972276
2452
את הפסל בתוך בלוק האבן,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
אלא שכל יצור, כל ישות, כל חייזר
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
שמסוגל לעשות פעולות תפישתיות מסוג כלשהו
16:34
is also able to create
351
982095
1375
גם מסוגל ליצור
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
בגלל שזה בדיוק אותו מנגנון
שבשימוש בשני המקרים.
שבשימוש בשני המקרים.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
כמו כן ,אני חושב שתפישה ויצירתיות
הן בשום צורה
הן בשום צורה
16:43
uniquely human.
354
991298
1210
לא רק אנושיות.
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
מתחילים להיות לנו מודלים ממוחשבים
שיכולים לעשות בדיוק דברים מהסוג הזה.
שיכולים לעשות בדיוק דברים מהסוג הזה.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
וזה לא צריך להפתיע; המוח הוא חישובי.
16:51
And finally,
357
999616
1657
ולבסוף,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
מחשוב החל כתרגיל בעיצוב מכונות חכמות.
16:57
It was very much modeled after the idea
359
1005989
2462
הוא מודל אחר הרעיון
17:00
of how could we make machines intelligent.
360
1008475
3013
של איך אנחנו יכולים ליצור מכונות חכמות.
17:03
And we finally are starting to fulfill now
361
1011512
2162
ואנחנו לבסוף מתחילים להגשים עכשיו
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
כמה מההבטחות של החלוצים הראשונים האלה,
17:08
of Turing and von Neumann
363
1016128
1713
של טיורינג וואן ניומן
17:09
and McCulloch and Pitts.
364
1017865
2265
ומקקולוך ופיטס.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
ואני חושב שמחשוב לא נוגע רק לחשבונאות
17:16
or playing Candy Crush or something.
366
1024276
2147
או לשחק קנדי קראש או משהו.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
מההתחלה, מידלנו אותם לפי המוח שלנו.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
והם נותנים לנו גם את היכולת
להבין את המוחות שלנו טוב יותר
להבין את המוחות שלנו טוב יותר
17:24
and to extend them.
369
1032342
1529
ולהרחיב אותם.
17:26
Thank you very much.
370
1034627
1167
תודה רבה לכם.
17:27
(Applause)
371
1035818
5939
(מחיאות כפיים)
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