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

Why you should listen

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

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

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

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

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

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

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

Blaise Agüera y Arcas: Hoe computers leren creatief te zijn

Filmed:
1,934,067 views

We staan voor een nieuwe ontwikkeling in de kunst en creativiteit en het is niet menselijk. Blaise Agüera y Arcas, staat aan het hoofd van een team wetenschappers bij Google. Hij werkt met diepliggende neurale netwerken voor machineperceptie en gedistribueerd leren. In deze fascinerende demonstratie toont hij hoe neuronennetwerken geoefend kunnen worden om afbeeldingen te herkennen, en andersom ook afbeeldingen kunnen genereren. De resultaten zijn spectaculaire en hallucinogene collages (en gedichten!) die niet onder één vakje onder te brengen zijn. "Waarneming en creativiteit zijn zeer nauw met elkaar verbonden", zegt Agüera y Arcas. "Alle wezens die in staat zijn waar te nemen, zijn ook in staat om te creëren".
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

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

00:12
So, I leadlood a teamteam at GoogleGoogle
that workswerken on machinemachine intelligenceintelligentie-;
0
800
3124
Ik leid het onderzoeksteam
naar machine-intelligentie bij Google.
00:15
in other wordstekst, the engineeringbouwkunde disciplinediscipline
of makingmaking computerscomputers and devicesapparaten
1
3948
4650
Dat is de wetenschap die computers
en andere apparaten in staat wil stellen
00:20
ablein staat to do some of the things
that brainshersenen do.
2
8622
2419
om dezelfde dingen te doen
die onze hersenen kunnen.
00:23
And this makesmerken us
interestedgeïnteresseerd in realecht brainshersenen
3
11439
3099
Daarom zijn we geïnteresseerd
in echte hersenen
00:26
and neuroscienceneurowetenschappen as well,
4
14562
1289
en in neurowetenschappen.
00:27
and especiallyvooral interestedgeïnteresseerd
in the things that our brainshersenen do
5
15875
4172
We zijn zeer geïnteresseerd in alles
wat onze hersenen kunnen,
00:32
that are still farver superiorbeter
to the performanceprestatie of computerscomputers.
6
20071
4042
maar wat voor computers
nog veel te ingewikkeld is.
00:37
HistoricallyHistorisch, one of those areasgebieden
has been perceptionperceptie,
7
25209
3609
Eén van deze onderzoeksgebieden
is altijd al waarneming geweest,
00:40
the processwerkwijze by whichwelke things
out there in the worldwereld- --
8
28842
3039
het proces waarbij dingen
in de buitenwereld,
00:43
soundsklanken and imagesafbeeldingen --
9
31905
1584
zoals geluiden en beelden,
00:45
can turnbeurt into conceptsconcepten in the mindgeest.
10
33513
2178
in onze hersenen kunnen
veranderen in concepten.
00:48
This is essentialessentieel for our owneigen brainshersenen,
11
36235
2517
Dat is een belangrijke taak
van onze hersenen.
00:50
and it's alsoook prettymooi usefulnuttig on a computercomputer.
12
38776
2464
Maar het is ook handig voor een computer.
00:53
The machinemachine perceptionperceptie algorithmsalgoritmen,
for examplevoorbeeld, that our teamteam makesmerken,
13
41636
3350
De perceptie-algoritmes die we
schrijven voor machines, bijvoorbeeld,
00:57
are what enablein staat stellen your picturesafbeeldingen
on GoogleGoogle PhotosFoto 's to becomeworden searchabledoorzoekbare,
14
45010
3874
maken het mogelijk om foto's
op te zoeken in Google Photos,
01:00
basedgebaseerde on what's in them.
15
48908
1397
volgens wat erop te zien is.
01:03
The flipomdraaien sidekant of perceptionperceptie is creativitycreativiteit:
16
51594
3493
De keerzijde van perceptie
is creativiteit.
01:07
turningdraaien a conceptconcept into something
out there into the worldwereld-.
17
55111
3038
Hierbij worden concepten omgezet
in iets in de echte wereld.
01:10
So over the pastverleden yearjaar,
our work on machinemachine perceptionperceptie
18
58173
3555
Het afgelopen jaar is ons werk
over machinewaarneming
01:13
has alsoook unexpectedlyonverwacht connectedaangesloten
with the worldwereld- of machinemachine creativitycreativiteit
19
61752
4859
ook onverwacht in verband geraakt
met de wereld van machine-creativiteit,
01:18
and machinemachine artkunst.
20
66635
1160
en machinekunst.
01:20
I think MichelangeloMichelangelo
had a penetratingindringende insightin zicht
21
68556
3284
Volgens mij had Michelangelo
een diepzinnig inzicht
01:23
into to this dualtweevoudig relationshipverhouding
betweentussen perceptionperceptie and creativitycreativiteit.
22
71864
3656
in deze duale verhouding
tussen waarneming en creativiteit.
01:28
This is a famousberoemd quotecitaat of his:
23
76023
2006
Dit is één van zijn beroemde citaten:
01:30
"EveryElke blockblok of stonesteen
has a statuestandbeeld insidebinnen of it,
24
78053
3323
"In iedere blok steen
zit een standbeeld verborgen...
01:34
and the jobbaan of the sculptorbeeldhouwer
is to discoverontdekken it."
25
82036
3002
De taak van de beeldhouwer is
om dat eruit te halen."
01:38
So I think that what
MichelangeloMichelangelo was gettingkrijgen at
26
86029
3216
Ik denk dat Michelangelo bedoelde
01:41
is that we createcreëren by perceivingwaarnemen,
27
89269
3180
dat we door waar te nemen
zelf gaan creëren.
01:44
and that perceptionperceptie itselfzelf
is an acthandelen of imaginationverbeelding
28
92473
3023
En dat waarneming zelf
een manier van inbeelding is.
01:47
and is the stuffspul of creativitycreativiteit.
29
95520
2461
En daar draait het om bij creativiteit.
01:50
The organorgaan that does all the thinkinghet denken
and perceivingwaarnemen and imaginingverbeelden,
30
98691
3925
Het orgaan dat verantwoordelijk is
voor de waarneming en inbeelding
01:54
of courseCursus, is the brainhersenen.
31
102640
1588
zijn de hersenen, natuurlijk.
01:57
And I'd like to beginbeginnen
with a briefkort bitbeetje of historygeschiedenis
32
105089
2545
En ik zou willen beginnen
met een korte geschiedenis
01:59
about what we know about brainshersenen.
33
107658
2302
van wat we weten over onze hersenen.
02:02
Because unlikeanders, say,
the hearthart- or the intestinesdarmen,
34
110496
2446
In tegenstelling tot het hart of de darmen
02:04
you really can't say very much
about a brainhersenen by just looking at it,
35
112966
3144
zijn de hersenen niet veelzeggend
als je er gewoon naar kijkt,
02:08
at leastminst with the nakednaakt eyeoog.
36
116134
1412
althans niet met het blote oog.
02:09
The earlyvroeg anatomistsanatomists who lookedkeek at brainshersenen
37
117983
2416
De eerste anatomisten
die de hersenen bestudeerden,
02:12
gavegaf the superficialoppervlakkig structuresstructuren
of this thing all kindssoorten of fancifulfantasievolle namesnamen,
38
120423
3807
hebben veel namen gegeven aan de
oppervlaktestructuren van de hersenen,
02:16
like hippocampuszeepaardje, meaningbetekenis "little shrimpgarnalen."
39
124254
2433
zoals de hippocampus, of 'kleine garnaal'.
02:18
But of courseCursus that sortsoort of thing
doesn't tell us very much
40
126711
2764
Maar die benamingen zeggen ons
natuurlijk niet veel
02:21
about what's actuallywerkelijk going on insidebinnen.
41
129499
2318
over wat er aan de binnenkant gebeurt.
02:24
The first personpersoon who, I think, really
developedontwikkelde some kindsoort of insightin zicht
42
132780
3613
De eerste persoon die, denk ik,
een eerste inzicht bracht
02:28
into what was going on in the brainhersenen
43
136417
1930
over wat er echt gebeurt in de hersenen,
02:30
was the great SpanishSpaans neuroanatomistneuroloog,
SantiagoSantiago RamRAMón y CajalCajal,
44
138371
3920
was de grote Spaanse neuro-anatomist,
Santiago Ramón y Cajal,
02:34
in the 19thth centuryeeuw,
45
142315
1544
in de negentiende eeuw.
02:35
who used microscopymicroscopie and specialspeciaal stainsvlekken
46
143883
3755
Hij gebruikte microscopen
en speciale beitsen
02:39
that could selectivelyselectief fillvullen in
or rendergeven in very highhoog contrastcontrast
47
147662
4170
die individuele hersencellen
selectief konden opvullen
02:43
the individualindividu cellscellen in the brainhersenen,
48
151856
2008
of in contrast konden weergeven,
02:45
in orderbestellen to startbegin to understandbegrijpen
theirhun morphologiesmorphologies.
49
153888
3154
zodat hij hun morfologie kon onderzoeken.
02:49
And these are the kindssoorten of drawingstekeningen
that he madegemaakt of neuronsneuronen
50
157972
2891
Dit zijn de soort tekeningen
die hij maakte van neuronen
02:52
in the 19thth centuryeeuw.
51
160887
1209
in de negentiende eeuw.
02:54
This is from a birdvogel brainhersenen.
52
162120
1884
Dit komt van de hersenen van een vogel.
02:56
And you see this incredibleongelooflijk varietyverscheidenheid
of differentverschillend sortssoorten of cellscellen,
53
164028
3057
Je ziet hier de geweldige verscheidenheid
aan soorten cellen.
02:59
even the cellularcellulair theorytheorie itselfzelf
was quiteheel newnieuwe at this pointpunt.
54
167109
3435
Zelfs de cellentheorie was nogal nieuw
op dat moment.
03:02
And these structuresstructuren,
55
170568
1278
Deze structuren...
03:03
these cellscellen that have these arborizationsarborizations,
56
171870
2259
die cellen met hun boomstructuur,
03:06
these branchestakken that can go
very, very long distancesafstanden --
57
174153
2608
en vertakkingen
die zeer uitgestrekt kunnen zijn.
Dat was heel vernieuwend toen.
03:08
this was very novelroman at the time.
58
176785
1616
03:10
They're reminiscentdenken, of courseCursus, of wiresdraden.
59
178779
2903
Ze doen ons natuurlijk denken aan kabels.
03:13
That mightmacht have been obviousduidelijk
to some people in the 19thth centuryeeuw;
60
181706
3457
Misschien dachten enkele mensen
dit ook al in de negentiende eeuw.
03:17
the revolutionsrevoluties of wiringbedrading and electricityelektriciteit
were just gettingkrijgen underwayaan de gang.
61
185187
4314
De revolutie van de elektriciteit
en de bedrading waren in volle gang.
03:21
But in manyveel waysmanieren,
62
189964
1178
Maar in vele opzichten
03:23
these microanatomicalmicroanatomical drawingstekeningen
of RamRAMón y Cajal'sCajal de, like this one,
63
191166
3313
zijn de micro-analytische tekeningen
van Ramón y Calal, zoals deze,
03:26
they're still in some waysmanieren unsurpassedonovertroffen.
64
194503
2332
in veel opzichten
nog steeds onovertroffen.
03:28
We're still more than a centuryeeuw laterlater,
65
196859
1854
Meer dan een eeuw later
03:30
tryingproberen to finishaf hebben the jobbaan
that RamRAMón y CajalCajal startedbegonnen.
66
198737
2825
zetten we nog steeds
het werk van Ramón y Cajal verder.
03:33
These are rawrauw datagegevens from our collaboratorsmedewerkers
67
201586
3134
Dit zijn de ruwe gegevens
van onze collega's
03:36
at the MaxMax PlanckPlanck InstituteInstituut
of NeuroscienceNeurowetenschappen.
68
204744
2881
in het Max Planck Institute
of Neuroscience.
03:39
And what our collaboratorsmedewerkers have donegedaan
69
207649
1790
Daar hebben onze collega's
03:41
is to imagebeeld little piecesstukken of brainhersenen tissuezakdoek.
70
209463
5001
kleine deeltjes van het hersenweefsel
in beeld gebracht.
03:46
The entiregeheel samplemonster here
is about one cubickubieke millimetermillimeter in sizegrootte,
71
214488
3326
Het volledige monster is ongeveer
één kubieke millimeter groot.
03:49
and I'm showingtonen you a very,
very smallklein piecestuk of it here.
72
217838
2621
En dit is een heel klein stukje daarvan.
03:52
That barbar on the left is about one micronmicron.
73
220483
2346
Het staafje links
is ongeveer één micron groot.
03:54
The structuresstructuren you see are mitochondriamitochondria
74
222853
2409
Deze structuren hier, zijn mitochondriën.
03:57
that are the sizegrootte of bacteriabacterie.
75
225286
2044
Ze zijn zowat de grootte van een bacterie.
03:59
And these are consecutiveopeenvolgende slicessegmenten
76
227354
1551
En dit zijn de volgende plakken
04:00
throughdoor this very, very
tinyklein blockblok of tissuezakdoek.
77
228929
3148
in dit zeer kleine blokje weefsel.
04:04
Just for comparison'sde vergelijking sakesake,
78
232101
2403
Om even te vergelijken...
04:06
the diameterdiameter of an averagegemiddelde strandstrand
of hairhaar- is about 100 micronsmicron.
79
234528
3792
De doorsnede van een haar is gemiddeld
zo'n honderd micron.
04:10
So we're looking at something
much, much smallerkleiner
80
238344
2274
Dit is dus veel, veel kleiner
dan één enkel haartje.
04:12
than a singlesingle strandstrand of hairhaar-.
81
240642
1398
04:14
And from these kindssoorten of serialseriële
electronelektron microscopymicroscopie slicessegmenten,
82
242064
4031
Uit deze reeksen elektro-
microscopische beelden
04:18
one can startbegin to make reconstructionsreconstructies
in 3D of neuronsneuronen that look like these.
83
246119
5008
kunnen we 3D-modellen maken van neuronen,
die er dan als volgt uitzien:
04:23
So these are sortsoort of in the samedezelfde
stylestijl as RamRAMón y CajalCajal.
84
251151
3157
ze zijn gemaakt in dezelfde stijl
als Ramón y Cajals tekeningen.
04:26
Only a fewweinig neuronsneuronen litlit up,
85
254332
1492
Je ziet maar een paar neuronen,
04:27
because otherwiseanders- we wouldn'tzou het niet
be ablein staat to see anything here.
86
255848
2781
anders zou het zo druk worden
dat je niets meer ziet.
Het zou zo opeengepakt zijn,
04:30
It would be so crowdeddruk,
87
258653
1312
04:31
so fullvol of structurestructuur,
88
259989
1330
vol van structuren,
04:33
of wiringbedrading all connectingverbinden
one neuronneuron to anothereen ander.
89
261343
2724
bekabeling die de neuronen
met elkaar verbindt.
04:37
So RamRAMón y CajalCajal was a little bitbeetje
aheadverder of his time,
90
265293
2804
Ramón y Cajal was zijn tijd wat vooruit
04:40
and progressvooruitgang on understandingbegrip the brainhersenen
91
268121
2555
en de vooruitgang van onze kennis
van de hersenen
04:42
proceededverlopen slowlylangzaam
over the nextvolgende fewweinig decadestientallen jaren.
92
270700
2271
evolueerde maar traag
in de volgende decennia.
04:45
But we knewwist that neuronsneuronen used electricityelektriciteit,
93
273455
2853
Maar we wisten dat neuronen
elektriciteit gebruikten.
04:48
and by WorldWereld WarOorlog IIII, our technologytechnologie
was advancedgevorderd enoughgenoeg
94
276332
2936
Tegen WO II was onze technologie
geavanceerd genoeg
04:51
to startbegin doing realecht electricalelektrisch
experimentsexperimenten on liveleven neuronsneuronen
95
279292
2806
om met elektriciteit te experimenteren
op levende neuronen,
04:54
to better understandbegrijpen how they workedwerkte.
96
282122
2106
om beter te begrijpen hoe ze functioneren.
04:56
This was the very samedezelfde time
when computerscomputers were beingwezen inventeduitgevonden,
97
284631
4356
In diezelfde periode werd
de computer uitgevonden.
Computers zijn gebaseerd op het idee
dat het brein moduleerbaar is.
05:01
very much basedgebaseerde on the ideaidee
of modelingmodellering the brainhersenen --
98
289011
3100
05:04
of "intelligentintelligent machinerymachinerie,"
as AlanAlan TuringTuring calledriep it,
99
292135
3085
De 'intelligente machine',
in termen van Alan Turing,
05:07
one of the fathersvaders of computercomputer sciencewetenschap.
100
295244
1991
een grondlegger
van de computerwetenschap.
05:09
WarrenWarren McCullochMcCulloch and WalterWalter PittsPitts
lookedkeek at RamRAMón y Cajal'sCajal de drawingtekening
101
297923
4632
Warren McCulloch en Walter Pitts
bestudeerden Ramón y Cayals tekening
05:14
of visualzichtbaar cortexschors,
102
302579
1317
van de visuele cortex,
05:15
whichwelke I'm showingtonen here.
103
303920
1562
die je hier ziet.
05:17
This is the cortexschors that processesprocessen
imagerybeeldspraak that comeskomt from the eyeoog.
104
305506
4442
De cortex verwerkt de beelden
die binnenkomen via het oog.
05:22
And for them, this lookedkeek
like a circuitcircuit diagramdiagram.
105
310424
3508
Het zag er volgens hen uit
als een schakelschema.
05:26
So there are a lot of detailsgegevens
in McCullochMcCulloch and Pitts'sDe Pitts circuitcircuit diagramdiagram
106
314353
3835
Het schakelschema van McCullough
en Pitt bevat veel details
05:30
that are not quiteheel right.
107
318212
1352
die niet helemaal kloppen.
05:31
But this basicbasis- ideaidee
108
319588
1235
Maar het basisidee
05:32
that visualzichtbaar cortexschors workswerken like a seriesserie
of computationalcomputational elementselementen
109
320847
3992
dat de visuele cortex werkt
als een reeks computeronderdelen
05:36
that passslagen voor informationinformatie
one to the nextvolgende in a cascadeCascade,
110
324863
2746
die informatie doorgeven
van één niveau naar het andere
05:39
is essentiallyin wezen correctcorrect.
111
327633
1602
is in essentie correct.
05:41
Let's talk for a momentmoment
112
329259
2350
Laat me het even hebben
05:43
about what a modelmodel- for processingverwerken
visualzichtbaar informationinformatie would need to do.
113
331633
4032
over wat een model dat visuele info
wil verwerken moet kunnen doen.
05:48
The basicbasis- tasktaak of perceptionperceptie
114
336228
2741
De kerntaak van perceptie
05:50
is to take an imagebeeld like this one and say,
115
338993
4194
is om naar een afbeelding
te kijken en te zeggen:
05:55
"That's a birdvogel,"
116
343211
1176
"Dat is een vogel."
05:56
whichwelke is a very simpleeenvoudig thing
for us to do with our brainshersenen.
117
344411
2874
Dat is zeer eenvoudig voor onze hersenen,
05:59
But you should all understandbegrijpen
that for a computercomputer,
118
347309
3421
maar je moet begrijpen
dat tot voor enkele jaren geleden,
06:02
this was prettymooi much impossibleonmogelijk
just a fewweinig yearsjaar agogeleden.
119
350754
3087
dit vrijwel onmogelijk was
voor een computer.
06:05
The classicalklassieke computinggegevensverwerking paradigmparadigma
120
353865
1916
Binnen het klassieke computermodel
06:07
is not one in whichwelke
this tasktaak is easygemakkelijk to do.
121
355805
2507
is dat geen eenvoudige taak.
06:11
So what's going on betweentussen the pixelspixels,
122
359366
2552
Wat gebeurt er nu tussen de pixels,
06:13
betweentussen the imagebeeld of the birdvogel
and the wordwoord "birdvogel,"
123
361942
4028
de afbeelding van een vogel,
en het woord 'vogel'?
06:17
is essentiallyin wezen a setreeks of neuronsneuronen
connectedaangesloten to eachelk other
124
365994
2814
Een reeks neuronen zijn
met elkaar verbonden
in een neuraal netwerk,
06:20
in a neuralneurale networknetwerk,
125
368832
1155
zoals op deze schets hier.
06:22
as I'm diagrammingdiagrammen maken here.
126
370011
1223
06:23
This neuralneurale networknetwerk could be biologicalbiologisch,
insidebinnen our visualzichtbaar corticescortices,
127
371258
3272
Dit neuraal netwerk kan biologisch zijn,
binnen onze visuele cortex,
06:26
or, nowadaysvandaag de dag, we startbegin
to have the capabilitygeschiktheid
128
374554
2162
maar tegenwoordig zijn we in staat
06:28
to modelmodel- suchzodanig neuralneurale networksnetwerken
on the computercomputer.
129
376740
2454
om neurale netwerken
na te maken op de computer.
06:31
And I'll showtonen you what
that actuallywerkelijk lookslooks like.
130
379834
2353
Ik zal jullie laten zien
hoe dat eruitziet.
06:34
So the pixelspixels you can think
about as a first layerlaag of neuronsneuronen,
131
382211
3416
De pixels kan je zien
als de eerste laag neuronen.
06:37
and that's, in factfeit,
how it workswerken in the eyeoog --
132
385651
2239
Hier zie je in feite
de werking van het oog.
Dat zijn de neuronen
in het netvlies.
06:39
that's the neuronsneuronen in the retinanetvlies.
133
387914
1663
06:41
And those feedeten geven forwardvooruit
134
389601
1500
Deze geven hun informatie door
06:43
into one layerlaag after anothereen ander layerlaag,
after anothereen ander layerlaag of neuronsneuronen,
135
391125
3403
naar de volgende lagen neuronen.
06:46
all connectedaangesloten by synapsessynapsen
of differentverschillend weightsgewichten.
136
394552
3033
Ze zijn verbonden met zenuwknopen
van verschillende groottes.
06:49
The behaviorgedrag of this networknetwerk
137
397609
1335
Het gedrag van dit netwerk
06:50
is characterizedgekarakteriseerde by the strengthssterke punten
of all of those synapsessynapsen.
138
398968
3284
wordt gekenmerkt door de kracht
van al deze zenuwknopen.
06:54
Those characterizekarakteriseren the computationalcomputational
propertieseigenschappen of this networknetwerk.
139
402276
3288
Zij bepalen de computationele
eigenschappen van dat netwerk.
06:57
And at the endeinde of the day,
140
405588
1470
Op het einde van de rit
06:59
you have a neuronneuron
or a smallklein groupgroep of neuronsneuronen
141
407082
2447
is er een neuron,
of een kleine groep neuronen
07:01
that lightlicht up, sayinggezegde, "birdvogel."
142
409553
1647
die oplichten en zeggen: "Vogel."
07:03
Now I'm going to representvertegenwoordigen
those threedrie things --
143
411824
3132
Ik wil nu deze drie dingen,
07:06
the inputinvoer pixelspixels and the synapsessynapsen
in the neuralneurale networknetwerk,
144
414980
4696
de pixels en de synaps
van het neuronennetwerk, of de input,
07:11
and birdvogel, the outputuitgang --
145
419700
1585
en de vogel, of de output,
07:13
by threedrie variablesvariabelen: x, w and y.
146
421309
3057
voorstellen door de variabelen x, w en y.
07:16
There are maybe a millionmiljoen or so x'sx --
147
424853
1811
Er zit misschien wel een miljoen x'en,
07:18
a millionmiljoen pixelspixels in that imagebeeld.
148
426688
1953
of pixels, in deze afbeelding.
07:20
There are billionsmiljarden or trillionstriljoenen of w'sw 's,
149
428665
2446
En een miljard, of triljard w's.
07:23
whichwelke representvertegenwoordigen the weightsgewichten of all
these synapsessynapsen in the neuralneurale networknetwerk.
150
431135
3421
Ze vertegenwoordigen al de zenuwknopen
in het neurale netwerk.
07:26
And there's a very smallklein numberaantal of y'sgemiddelde(y-bekend),
151
434580
1875
En er zijn maar een klein aantal y's,
07:28
of outputsuitgangen that that networknetwerk has.
152
436479
1858
of output van het netwerk.
07:30
"BirdVogel" is only fourvier lettersbrieven, right?
153
438361
1749
Het woord 'vogel' telt
slechts vijf letters, niet?
07:33
So let's pretenddoen alsof that this
is just a simpleeenvoudig formulaformule,
154
441088
3426
Laten we het even voorstellen
als een simpele formule:
07:36
x "x" w = y.
155
444538
2163
x 'maal' w is gelijk aan y.
07:38
I'm puttingzetten the timestijden in scarelaten schrikken quotescitaten
156
446725
2036
'Maal' staat tussen aanhalingstekens,
07:40
because what's really
going on there, of courseCursus,
157
448785
2280
want in werkelijkheid
gebeurt er natuurlijk
07:43
is a very complicatedingewikkeld seriesserie
of mathematicalwiskundig operationsactiviteiten.
158
451089
3046
een hele reeks ingewikkelde
wiskundige berekeningen.
07:47
That's one equationvergelijking.
159
455172
1221
Dat is één vergelijking,
07:48
There are threedrie variablesvariabelen.
160
456417
1672
met drie variabelen.
07:50
And we all know
that if you have one equationvergelijking,
161
458113
2726
We weten allemaal dat als je
over twee variabelen beschikt
07:52
you can solveoplossen one variablevariabele
by knowingwetende the other two things.
162
460863
3642
je de derde variabele kan achterhalen.
07:57
So the problemprobleem of inferencegevolgtrekking,
163
465158
3380
Dus het proces van gevolgtrekking,
08:00
that is, figuringuitzoeken out
that the pictureafbeelding of a birdvogel is a birdvogel,
164
468562
2873
het uit de afbeelding
afleiden dat dit een vogel is,
08:03
is this one:
165
471459
1274
is als volgt:
08:04
it's where y is the unknownonbekend
and w and x are knownbekend.
166
472757
3459
wanneer de y de onbekende is
en de w en x allebei gekend.
08:08
You know the neuralneurale networknetwerk,
you know the pixelspixels.
167
476240
2459
Je hebt de neuronennetwerken en de pixels.
08:10
As you can see, that's actuallywerkelijk
a relativelynaar verhouding straightforwardrechtdoorzee problemprobleem.
168
478723
3327
Je kunt zien dat dit probleem
relatief eenvoudig is.
Je vermenigvuldigt twee met drie en klaar.
08:14
You multiplyvermenigvuldigen two timestijden threedrie
and you're donegedaan.
169
482074
2186
08:16
I'll showtonen you an artificialkunstmatig neuralneurale networknetwerk
170
484862
2123
Ik toon jullie nu een netwerk neuronen
dat we gebouwd hebben
08:19
that we'vewij hebben builtgebouwd recentlykort geleden,
doing exactlyprecies that.
171
487009
2296
om dit op te lossen.
08:21
This is runninglopend in realecht time
on a mobilemobiel phonetelefoon,
172
489634
2860
Dit werkt realtime
op een mobiele telefoon.
08:24
and that's, of courseCursus,
amazingverbazingwekkend in its owneigen right,
173
492518
3313
Dat is op zich natuurlijk
al verbazingwekkend,
08:27
that mobilemobiel phonestelefoons can do so manyveel
billionsmiljarden and trillionstriljoenen of operationsactiviteiten
174
495855
3468
dat een telefoon zoveel miljarden
en biljarden bewerkingen kan uitvoeren
08:31
perper secondtweede.
175
499347
1248
per seconde.
08:32
What you're looking at is a phonetelefoon
176
500619
1615
Jullie zien hier een telefoon
08:34
looking at one after anothereen ander
pictureafbeelding of a birdvogel,
177
502258
3547
waarop een reeks afbeeldingen
verschijnen van vogels.
08:37
and actuallywerkelijk not only sayinggezegde,
"Yes, it's a birdvogel,"
178
505829
2715
Hij herkent ze niet alleen als vogels,
08:40
but identifyingidentificeren the speciessoorten of birdvogel
with a networknetwerk of this sortsoort.
179
508568
3411
maar hij kan ook de soort identificeren
met dit type netwerk.
08:44
So in that pictureafbeelding,
180
512890
1826
In die afbeelding
08:46
the x and the w are knownbekend,
and the y is the unknownonbekend.
181
514740
3802
waren de x en de w gekend
en was de y de onbekende.
08:50
I'm glossingglanzen over the very
difficultmoeilijk partdeel, of courseCursus,
182
518566
2508
Ik sla het ingewikkeldste
deel over, natuurlijk,
08:53
whichwelke is how on earthaarde
do we figurefiguur out the w,
183
521098
3861
namelijk, hoe achterhalen we de w,
08:56
the brainhersenen that can do suchzodanig a thing?
184
524983
2187
de hersenen die tot dit alles
in staat zijn?
08:59
How would we ever learnleren suchzodanig a modelmodel-?
185
527194
1834
Hoe hebben we ooit zo'n model aangeleerd?
09:01
So this processwerkwijze of learningaan het leren,
of solvingoplossen for w,
186
529418
3233
Dit leerproces,
waarbij we de w willen oplossen,
09:04
if we were doing this
with the simpleeenvoudig equationvergelijking
187
532675
2647
als we dit in een eenvoudige
vergelijking gieten,
09:07
in whichwelke we think about these as numbersgetallen,
188
535346
2000
waarbij we getallen gebruiken,
09:09
we know exactlyprecies how to do that: 6 = 2 x w,
189
537370
2687
weten we wat we moeten doen:
6 is gelijk aan 2 maal w.
09:12
well, we divideverdelen by two and we're donegedaan.
190
540081
3312
We delen 6 door 2 en het zit erop.
09:16
The problemprobleem is with this operatoroperator.
191
544001
2220
Het probleem zit 'm bij deze bewerking.
Deling...
09:18
So, divisionafdeling --
192
546823
1151
We gebruiken deling, want dat is
het omgekeerde van vermenigvuldiging.
09:19
we'vewij hebben used divisionafdeling because
it's the inverseomgekeerde to multiplicationvermenigvuldiging,
193
547998
3121
09:23
but as I've just said,
194
551143
1440
Maar zoals ik zopas zei,
09:24
the multiplicationvermenigvuldiging is a bitbeetje of a lieliggen here.
195
552607
2449
klopt de vermenigvuldiging hier niet echt.
09:27
This is a very, very complicatedingewikkeld,
very non-linearniet-lineaire operationoperatie;
196
555080
3326
Dit is een zeer gecompliceerde,
zeer non-lineaire bewerking,
09:30
it has no inverseomgekeerde.
197
558430
1704
die niet omgekeerd kan worden.
09:32
So we have to figurefiguur out a way
to solveoplossen the equationvergelijking
198
560158
3150
We moeten een manier vinden
om die vergelijking op te lossen,
09:35
withoutzonder a divisionafdeling operatoroperator.
199
563332
2024
zonder te moeten delen.
09:37
And the way to do that
is fairlytamelijk straightforwardrechtdoorzee.
200
565380
2343
We doen dit op een zeer eenvoudige manier.
09:39
You just say, let's playspelen
a little algebraalgebra tricktruc,
201
567747
2671
We spelen wat met de algebra
09:42
and moveverhuizing the sixzes over
to the right-handrechter hand sidekant of the equationvergelijking.
202
570442
2906
en verplaatsen de 6
naar de rechterkant van de vergelijking.
09:45
Now, we're still usinggebruik makend van multiplicationvermenigvuldiging.
203
573372
1826
We vermenigvuldigen nog steeds.
09:47
And that zeronul -- let's think
about it as an errorfout.
204
575675
3580
Maar laten we die nul de foutmarge noemen.
09:51
In other wordstekst, if we'vewij hebben solvedopgelost
for w the right way,
205
579279
2515
Met andere woorden,
als we de w juist oplossen,
09:53
then the errorfout will be zeronul.
206
581818
1656
dan zal die marge nul bedragen.
09:55
And if we haven'thebben niet gottengekregen it quiteheel right,
207
583498
1938
En als de oplossing niet klopt,
dan zal de marge groter zijn dan nul.
09:57
the errorfout will be greatergroter than zeronul.
208
585460
1749
Nu kunnen we beginnen te gokken en
de foutmarge zo klein mogelijk maken,
09:59
So now we can just take guessesgissingen
to minimizeverkleinen the errorfout,
209
587233
3366
10:02
and that's the sortsoort of thing
computerscomputers are very good at.
210
590623
2687
daar zijn computers zeer goed in.
Laten we eens gokken:
10:05
So you've takeningenomen an initialeerste guessraden:
211
593334
1593
w = 0 misschien?
Dan zou de marge 6 bedragen.
10:06
what if w = 0?
212
594951
1156
10:08
Well, then the errorfout is 6.
213
596131
1240
En als w gelijk zou zijn aan 1,
dan zou de marge 4 zijn.
10:09
What if w = 1? The errorfout is 4.
214
597395
1446
10:10
And then the computercomputer can
sortsoort of playspelen MarcoMarco PoloPolo,
215
598865
2367
De computer kan blijven raden
10:13
and driverijden down the errorfout closedichtbij to zeronul.
216
601256
2367
en de foutmarge tot bijna nul reduceren.
10:15
As it does that, it's gettingkrijgen
successiveopeenvolgende approximationsbenaderingen to w.
217
603647
3374
En ondertussen komt hij
steeds dichter bij w.
10:19
TypicallyMeestal, it never quiteheel getskrijgt there,
but after about a dozendozijn stepsstappen,
218
607045
3656
Hij raakt nooit helemaal tot bij w,
maar na zo'n twaalf stappen
10:22
we're up to w = 2.999,
whichwelke is closedichtbij enoughgenoeg.
219
610725
4624
zien we dat w gelijk is aan 2,999
en dat is precies genoeg.
10:28
And this is the learningaan het leren processwerkwijze.
220
616302
1814
Dat is het leerproces.
10:30
So rememberonthouden that what's been going on here
221
618140
2730
Vergeet niet wat we hier
aan het doen zijn.
10:32
is that we'vewij hebben been takingnemen
a lot of knownbekend x'sx and knownbekend y'sgemiddelde(y-bekend)
222
620894
4378
We hebben zeer veel
van die gekende x'en en y's genomen
10:37
and solvingoplossen for the w in the middlemidden-
throughdoor an iterativeiteratieve processwerkwijze.
223
625296
3454
en daar de w in het midden
mee achterhaald door een iteratief proces.
10:40
It's exactlyprecies the samedezelfde way
that we do our owneigen learningaan het leren.
224
628774
3556
Wij leren op precies dezelfde manier.
10:44
We have manyveel, manyveel imagesafbeeldingen as babiesbabies
225
632354
2230
Als baby hebben we zeer veel afbeeldingen.
10:46
and we get told, "This is a birdvogel;
this is not a birdvogel."
226
634608
2633
Ze vertellen ons: "Dit is een vogel.
Dat is geen vogel."
10:49
And over time, throughdoor iterationiteratie,
227
637714
2098
Wanneer we de bewerking
eindeloos herhalen
10:51
we solveoplossen for w, we solveoplossen
for those neuralneurale connectionsverbindingen.
228
639836
2928
kunnen we de w achterhalen
voor deze zenuwverbindingen.
10:55
So now, we'vewij hebben heldheld
x and w fixedvast to solveoplossen for y;
229
643460
4086
Nu hebben we naar de x en w
gekeken om de y te achterhalen.
10:59
that's everydayelke dag, fastsnel perceptionperceptie.
230
647570
1847
Dat is alledaagse, snelle waarneming.
11:01
We figurefiguur out how we can solveoplossen for w,
231
649441
1763
Nu willen we weten hoeveel w is.
11:03
that's learningaan het leren, whichwelke is a lot harderharder,
232
651228
1903
Da's veel moeilijker,
want dat is leren.
Om de foutenmarge te beperken,
hebben we veel voorbeelden nodig.
11:05
because we need to do errorfout minimizationminimalisering,
233
653155
1985
11:07
usinggebruik makend van a lot of trainingopleiding examplesvoorbeelden.
234
655164
1687
Zo'n jaar geleden besloot iemand
van ons team, Alex Mordvintsev,
11:08
And about a yearjaar agogeleden,
AlexAlex MordvintsevMordvintsev, on our teamteam,
235
656875
3187
11:12
decidedbeslist to experimentexperiment
with what happensgebeurt if we try solvingoplossen for x,
236
660086
3550
om eens te kijken wat er zou gebeuren
als we de x probeerden op te lossen
11:15
givengegeven a knownbekend w and a knownbekend y.
237
663660
2037
als we de w en de y zouden kennen.
11:18
In other wordstekst,
238
666124
1151
Met andere woorden,
11:19
you know that it's a birdvogel,
239
667299
1352
je weet dat het een vogel is
11:20
and you alreadynu al have your neuralneurale networknetwerk
that you've trainedgetraind on birdsvogelstand,
240
668675
3303
en je netwerk zenuwcellen
kunnen al vogels herkennen.
11:24
but what is the pictureafbeelding of a birdvogel?
241
672002
2344
Maar wat is nu
een afbeelding van een vogel?
11:27
It turnsbochten out that by usinggebruik makend van exactlyprecies
the samedezelfde error-minimizationfout-minimalisering procedureprocedure,
242
675034
5024
Blijkbaar kan je met dezelfde
foutenminimalisatie-procedure,
11:32
one can do that with the networknetwerk
trainedgetraind to recognizeherken birdsvogelstand,
243
680082
3430
gebruik makend van het netwerk
dat vogels kan herkennen,
11:35
and the resultresultaat turnsbochten out to be ...
244
683536
3388
het volgende resultaat krijgen ...
11:42
a pictureafbeelding of birdsvogelstand.
245
690400
1305
een afbeelding van vogels.
11:44
So this is a pictureafbeelding of birdsvogelstand
generatedgegenereerd entirelygeheel by a neuralneurale networknetwerk
246
692814
3737
Deze afbeelding van vogels is volledig
gegenereerd door een neuraal netwerk
11:48
that was trainedgetraind to recognizeherken birdsvogelstand,
247
696575
1826
dat vogels kon herkennen,
11:50
just by solvingoplossen for x
ratherliever than solvingoplossen for y,
248
698425
3538
door simpelweg naar de x te zoeken
in plaats van naar de y
11:53
and doing that iterativelyiteratief.
249
701987
1288
en dat dan eindeloos te herhalen.
Dit is nog een leuk voorbeeld.
11:55
Here'sHier is anothereen ander funpret examplevoorbeeld.
250
703732
1847
11:57
This was a work madegemaakt
by MikeMike TykaTyka in our groupgroep,
251
705603
3437
Dit is het werk
van Mike Tyka in onze groep.
12:01
whichwelke he callscalls "AnimalDier ParadeParade."
252
709064
2308
Hij noemt het 'Animal Parade'.
12:03
It remindsherinnert me a little bitbeetje
of WilliamWilliam Kentridge'sKentridge de artworkskunstwerken,
253
711396
2876
Het doet me wat denken
aan William Kentridges' schilderijen.
12:06
in whichwelke he makesmerken sketchesschetsen, rubswrijft them out,
254
714296
2489
Hij maakt schetsen en veegt ze uit,
altijd maar opnieuw,
en zo creëert hij een film.
12:08
makesmerken sketchesschetsen, rubswrijft them out,
255
716809
1460
12:10
and createscreëert a moviefilm this way.
256
718293
1398
In dit geval probeert Mike
12:11
In this casegeval,
257
719715
1151
de y te laten variëren over de ruimte
van de verschillende dieren
12:12
what MikeMike is doing is varyingverschillende y
over the spaceruimte of differentverschillend animalsdieren,
258
720890
3277
in een netwerk dat dieren
van elkaar kan onderscheiden.
12:16
in a networknetwerk designedontworpen
to recognizeherken and distinguishonderscheiden
259
724191
2382
12:18
differentverschillend animalsdieren from eachelk other.
260
726597
1810
En dan krijg je zo'n Escher-achtige
overgang van het ene dier in het andere.
12:20
And you get this strangevreemd, Escher-likeEscher-achtige
morphMorph from one animaldier to anothereen ander.
261
728431
3751
12:26
Here he and AlexAlex togethersamen
have triedbeproefd reducingvermindering
262
734221
4614
Hier hebben hij en Alex geprobeerd
om de y's terug te brengen
12:30
the y'sgemiddelde(y-bekend) to a spaceruimte of only two dimensionsdimensies,
263
738859
2759
tot een tweedimensionale ruimte.
12:33
therebydaarbij makingmaking a mapkaart
out of the spaceruimte of all things
264
741642
3438
De uitkomst daarvan was een kaart
met daarop de ruimte van alle dingen
12:37
recognizederkend by this networknetwerk.
265
745104
1719
die dit netwerk kon herkennen.
12:38
Doing this kindsoort of synthesissynthese
266
746847
2023
Bij dit soort synthese
12:40
or generationgeneratie of imagerybeeldspraak
over that entiregeheel surfaceoppervlak,
267
748894
2382
of beeldweergave
over die hele oppervlakte,
waarbij de y varieert
over het oppervlak,
12:43
varyingverschillende y over the surfaceoppervlak,
you make a kindsoort of mapkaart --
268
751300
2846
creëer je een visuele kaart
van alles wat het netwerk herkent.
12:46
a visualzichtbaar mapkaart of all the things
the networknetwerk knowsweet how to recognizeherken.
269
754170
3141
Alle dieren staan hierop aangeduid.
Dat daar is een gordeldier.
12:49
The animalsdieren are all here;
"armadillogordeldier" is right in that spotplek.
270
757335
2865
12:52
You can do this with other kindssoorten
of networksnetwerken as well.
271
760919
2479
Dit werkt ook met andere netwerken.
12:55
This is a networknetwerk designedontworpen
to recognizeherken facesgezichten,
272
763422
2874
Dit netwerk is ontwikkeld
om gezichten te herkennen,
12:58
to distinguishonderscheiden one facegezicht from anothereen ander.
273
766320
2000
om gezichten van elkaar te onderscheiden.
13:00
And here, we're puttingzetten
in a y that sayszegt, "me,"
274
768344
3249
Hier hebben we de y ingevoerd
die mij vertegenwoordigt.
13:03
my owneigen facegezicht parametersparameters.
275
771617
1575
Het zijn mijn gezichtsparameters.
13:05
And when this thing solvesLost for x,
276
773216
1706
Als dit systeem naar x gaat zoeken,
13:06
it generatesgenereert this ratherliever crazygek,
277
774946
2618
genereert het een absurd,
13:09
kindsoort of cubistkubistische, surrealsurrealistische,
psychedelicpsychedelische pictureafbeelding of me
278
777588
4428
nogal kubistisch, surreëel
en psychedelisch beeld van mij,
13:14
from multiplemeerdere pointspoints of viewuitzicht at onceeen keer.
279
782040
1806
vanuit verschillende perspectieven.
Je ziet hier verschillende
perspectieven tegelijkertijd,
13:15
The reasonreden it lookslooks like
multiplemeerdere pointspoints of viewuitzicht at onceeen keer
280
783870
2734
omdat ons netwerk zo ontworpen is
dat het de dubbelzinnigheid tegengaat
13:18
is because that networknetwerk is designedontworpen
to get ridbevrijden of the ambiguitydubbelzinnigheid
281
786628
3687
13:22
of a facegezicht beingwezen in one posepose
or anothereen ander posepose,
282
790339
2476
van de verschillende mogelijke poses
13:24
beingwezen lookedkeek at with one kindsoort of lightingverlichting,
anothereen ander kindsoort of lightingverlichting.
283
792839
3376
of de verschillende
mogelijke belichtingen.
13:28
So when you do
this sortsoort of reconstructionwederopbouw,
284
796239
2085
Als je zo'n reconstructie uitvoert
en je geen afbeelding of statistieken
13:30
if you don't use some sortsoort of guidegids imagebeeld
285
798348
2304
13:32
or guidegids statisticsstatistieken,
286
800676
1211
als richtlijnen gebruikt,
13:33
then you'llje zult get a sortsoort of confusionverwarring
of differentverschillend pointspoints of viewuitzicht,
287
801911
3765
dan krijg je een samenraapsel
van 'n heleboel perspectieven,
13:37
because it's ambiguousdubbelzinnig.
288
805700
1368
want het is ambigue.
13:39
This is what happensgebeurt if AlexAlex usestoepassingen
his owneigen facegezicht as a guidegids imagebeeld
289
807786
4223
Dit is het resultaat wanneer Alex
zijn eigen gezicht gebruikt als richtlijn
13:44
duringgedurende that optimizationoptimalisatie processwerkwijze
to reconstructreconstrueren my owneigen facegezicht.
290
812033
3321
tijdens het optimalisatieproces
om mijn gezicht te reconstrueren.
13:48
So you can see it's not perfectperfect.
291
816284
2328
Je ziet dat het niet perfect is.
13:50
There's still quiteheel a lot of work to do
292
818636
1874
We hebben nog wat werk voor de boeg
om het optimalisatieproces
te optimaliseren.
13:52
on how we optimizeoptimaliseren
that optimizationoptimalisatie processwerkwijze.
293
820534
2453
13:55
But you startbegin to get something
more like a coherentcoherente facegezicht,
294
823011
2827
Maar je krijgt toch iets
wat meer lijkt op een gezicht,
13:57
renderedgesmolten usinggebruik makend van my owneigen facegezicht as a guidegids.
295
825862
2014
met mijn gezicht als richtlijn.
14:00
You don't have to startbegin
with a blankblanco canvascanvas
296
828892
2501
Je hoeft niet meer te beginnen
met een wit doek,
14:03
or with whitewit noiselawaai.
297
831417
1156
of met 'witte ruis'.
14:04
When you're solvingoplossen for x,
298
832597
1304
Wanneer je naar x zoekt,
kan je beginnen met een x
die op zich al een afbeelding is.
14:05
you can beginbeginnen with an x,
that is itselfzelf alreadynu al some other imagebeeld.
299
833925
3889
14:09
That's what this little demonstrationdemonstratie is.
300
837838
2556
Dat toont de volgende demo.
Dit is een netwerk dat ontworpen is
14:12
This is a networknetwerk
that is designedontworpen to categorizecategoriseren
301
840418
4122
om allerlei verschillende
voorwerpen te categoriseren,
14:16
all sortssoorten of differentverschillend objectsvoorwerpen --
man-madedoor de mens veroorzaakte structuresstructuren, animalsdieren ...
302
844564
3119
zoals kunstmatige structuren, dieren...
14:19
Here we're startingbeginnend
with just a pictureafbeelding of cloudswolken,
303
847707
2593
We vertrokken hier gewoon
van een afbeelding van wolken.
14:22
and as we optimizeoptimaliseren,
304
850324
1671
Terwijl we het beeld optimaliseren,
14:24
basicallyeigenlijk, this networknetwerk is figuringuitzoeken out
what it seesziet in the cloudswolken.
305
852019
4486
probeert het netwerk te bepalen
wat het kan zien in de wolken.
14:28
And the more time
you spendbesteden looking at this,
306
856931
2320
Hoe langer je hier naar kijkt,
14:31
the more things you alsoook
will see in the cloudswolken.
307
859275
2753
hoe meer je ook gaat zien in deze wolken.
14:35
You could alsoook use the facegezicht networknetwerk
to hallucinatehallucineren into this,
308
863004
3375
Je kunt er ook hallucinaties
van het gezichtsnetwerk in verwerken.
14:38
and you get some prettymooi crazygek stuffspul.
309
866403
1812
Dat levert ook gekke beelden op.
14:40
(LaughterGelach)
310
868239
1150
(Gelach)
14:42
Or, MikeMike has donegedaan some other experimentsexperimenten
311
870401
2744
Mike heeft nog enkele
andere experimenten uitgevoerd,
14:45
in whichwelke he takes that cloudwolk imagebeeld,
312
873169
3905
waarbij hij de afbeelding
van de wolken neemt,
een hallucinatie toevoegt, inzoomt,
weer 'n hallucinatie toevoegt, inzoomt.
14:49
hallucinateshallucinates, zoomszooms, hallucinateshallucinates,
zoomszooms hallucinateshallucinates, zoomszooms.
313
877098
3507
14:52
And in this way,
314
880629
1151
Op deze manier
14:53
you can get a sortsoort of fugueFuga statestaat
of the networknetwerk, I supposeveronderstellen,
315
881804
3675
krijg je een soort
dissociatieve vlucht, denk ik,
14:57
or a sortsoort of freegratis associationvereniging,
316
885503
3680
of een soort vrije associatie,
15:01
in whichwelke the networknetwerk
is eatingaan het eten its owneigen tailstaart.
317
889207
2227
waarin het netwerk
haar eigen staart opeet.
15:03
So everyelk imagebeeld is now the basisbasis for,
318
891458
3421
Iedere afbeelding is de basis voor...
15:06
"What do I think I see nextvolgende?
319
894903
1421
"Wat zie ik hierna?"
15:08
What do I think I see nextvolgende?
What do I think I see nextvolgende?"
320
896348
2803
"En wat daarna? En wat daarna?"
15:11
I showedtoonden this for the first time in publicopenbaar
321
899487
2936
Ik heb dit voor het eerst getoond
15:14
to a groupgroep at a lecturelezing in SeattleSeattle
calledriep "HigherHogere EducationOnderwijs" --
322
902447
5437
aan een groep in Seattle
bij een lezing, genaamd 'Hoger Onderwijs'.
15:19
this was right after
marijuanamarihuana was legalizedgelegaliseerd.
323
907908
2437
Marihuana was toen
nog maar net gelegaliseerd.
15:22
(LaughterGelach)
324
910369
2415
(Gelach)
15:26
So I'd like to finishaf hebben up quicklysnel
325
914627
2104
Ik zou snel willen afsluiten
15:28
by just notingopmerkend that this technologytechnologie
is not constrainedgedwongen.
326
916755
4255
door te zeggen dat deze technologie
geen grenzen kent.
Ik heb enkel visuele voorbeelden getoond,
omdat die leuk zijn om naar te kijken.
15:33
I've showngetoond you purelypuur visualzichtbaar examplesvoorbeelden
because they're really funpret to look at.
327
921034
3665
15:36
It's not a purelypuur visualzichtbaar technologytechnologie.
328
924723
2451
Maar de technologie is niet enkel visueel.
15:39
Our artistartiest collaboratormedewerker, RossRoss GoodwinGoodwin,
329
927198
1993
Ross Goodwin, een medewerker van ons,
15:41
has donegedaan experimentsexperimenten involvingerbij betrekken
a cameracamera that takes a pictureafbeelding,
330
929215
3671
heeft enkele experimenten gedaan
waarbij hij foto's nam met een camera
15:44
and then a computercomputer in his backpackrugzak
writesschrijft a poemgedicht usinggebruik makend van neuralneurale networksnetwerken,
331
932910
4234
en die dan gebruikte om een gedicht
mee te schrijven, met z'n computer,
op basis van de inhoud van de afbeelding.
15:49
basedgebaseerde on the contentsinhoud of the imagebeeld.
332
937168
1944
15:51
And that poetrypoëzie neuralneurale networknetwerk
has been trainedgetraind
333
939136
2947
Dat poëzienetwerk werd getraind
15:54
on a largegroot corpuscorpus of 20th-centuryth-eeuwse poetrypoëzie.
334
942107
2234
op een groot corpus gedichten
uit de 20e eeuw.
15:56
And the poetrypoëzie is, you know,
335
944365
1499
En de gedichten zijn, weet je,
15:57
I think, kindsoort of not badslecht, actuallywerkelijk.
336
945888
1914
al bij al niet slecht, denk ik.
15:59
(LaughterGelach)
337
947826
1384
(Gelach)
16:01
In closingsluitend,
338
949234
1159
Om af te sluiten...
16:02
I think that perper MichelangeloMichelangelo,
339
950417
2132
Ik denk dat Michelangelo
het bij het rechte eind had.
16:04
I think he was right;
340
952573
1234
16:05
perceptionperceptie and creativitycreativiteit
are very intimatelyintiem connectedaangesloten.
341
953831
3436
Waarneming en creativiteit zijn
zeer nauw met elkaar verbonden.
16:09
What we'vewij hebben just seengezien are neuralneurale networksnetwerken
342
957611
2634
We hebben zopas gezien
dat neurale netwerken
16:12
that are entirelygeheel trainedgetraind to discriminatediscrimineren,
343
960269
2303
die getraind zijn om keuzes te maken
16:14
or to recognizeherken differentverschillend
things in the worldwereld-,
344
962596
2242
of om dingen in de wereld te herkennen,
16:16
ablein staat to be runrennen in reverseomgekeerde, to generatevoortbrengen.
345
964862
3161
ook andersom kunnen werken
en kunst voortbrengen.
16:20
One of the things that suggestssuggereert to me
346
968047
1783
Dit doet mij afleiden
dat Michelangelo
16:21
is not only that
MichelangeloMichelangelo really did see
347
969854
2398
de kunstwerken kon zien
uit massieve blokken steen,
16:24
the sculpturebeeldhouwwerk in the blocksblokken of stonesteen,
348
972276
2452
16:26
but that any creatureschepsel,
any beingwezen, any alienvreemdeling
349
974752
3638
maar ook dat eender welk wezen,
van eender welke planeet
16:30
that is ablein staat to do
perceptualperceptuele actsacts of that sortsoort
350
978414
3657
die in staat is om waar te nemen
16:34
is alsoook ablein staat to createcreëren
351
982095
1375
ook in staat is om te creëren.
16:35
because it's exactlyprecies the samedezelfde
machinerymachinerie that's used in bothbeide casesgevallen.
352
983494
3224
Want in beide gevallen wordt exact
hetzelfde mechanisme gebruikt.
16:38
AlsoOok, I think that perceptionperceptie
and creativitycreativiteit are by no meansmiddelen
353
986742
4532
Ik ben er ook van overtuigd
dat waarneming en creativiteit
helemaal niet uniek zijn aan mensen.
16:43
uniquelyuniek humanmenselijk.
354
991298
1210
16:44
We startbegin to have computercomputer modelsmodellen
that can do exactlyprecies these sortssoorten of things.
355
992532
3708
Onze computermodellen
kunnen deze dingen ook al.
En dat zou niet mogen verrassen,
ons brein is immers computationeel.
16:48
And that oughtmoeten to be unsurprisingniet verrassend;
the brainhersenen is computationalcomputational.
356
996264
3328
16:51
And finallyTenslotte,
357
999616
1657
En ten slotte...
16:53
computinggegevensverwerking beganbegon as an exerciseoefening
in designingontwerpen intelligentintelligent machinerymachinerie.
358
1001297
4668
Computertechnologie begon als een manier
om intelligente machines te ontwikkelen.
16:57
It was very much modeledgemodelleerd after the ideaidee
359
1005989
2462
Het was gebaseerd op het idee
17:00
of how could we make machinesmachines intelligentintelligent.
360
1008475
3013
dat machines intelligent
gemaakt konden worden.
17:03
And we finallyTenslotte are startingbeginnend to fulfillvervullen now
361
1011512
2162
We beginnen nu eindelijk
enkele van de beloftes waar te maken
17:05
some of the promisesbeloften
of those earlyvroeg pioneersPioniers,
362
1013698
2406
van vroege pioniers,
17:08
of TuringTuring and vonvon NeumannNeumann
363
1016128
1713
zoals Turing en von Neuman,
17:09
and McCullochMcCulloch and PittsPitts.
364
1017865
2265
en McCulloch en Pitts.
17:12
And I think that computinggegevensverwerking
is not just about accountingboekhouding
365
1020154
4098
Ik denk dat het bij computers
niet enkel draait om berekeningen,
17:16
or playingspelen CandyCandy CrushCrush or something.
366
1024276
2147
of 'Candy Crush' of andere spelletjes.
17:18
From the beginningbegin,
we modeledgemodelleerd them after our mindsgeesten.
367
1026447
2578
We hebben ze steeds vormgegeven
volgens onze hersenen.
17:21
And they give us bothbeide the abilityvermogen
to understandbegrijpen our owneigen mindsgeesten better
368
1029049
3269
Ze geven ons de mogelijkheid
om onze hersenen beter te begrijpen
17:24
and to extenduitbreiden them.
369
1032342
1529
en om onze capaciteiten uit te breiden.
17:26
Thank you very much.
370
1034627
1167
Dankjewel.
17:27
(ApplauseApplaus)
371
1035818
5939
(Applaus)
Translated by Dries Van der Smissen
Reviewed by Peter Van de Ven

▲Back to top

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

Why you should listen

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

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

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

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

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

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