TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
فاي-فاي لي: كيف نقوم بتعليم الحواسيب لكي تفهم الصور
Filmed:
Readability: 4.5
2,702,344 views
عندما تنظر طفلة صغيرة جدًا إلى صورة، فإنها تستطيع تحديد العناصر البسيطة فيها: "قطة،" "كتاب،" "كرسي." الآن، يزداد ذكاء الحواسيب بما يكفي لتقوم بذلك أيضًا. ما التالي؟ في محادثة مثيرة، تصف خبيرة إبصار الحواسيب فاي-فاي لي هذا التقدم المذهل (بما فيه قاعدة بيانات تحوي 15 مليون صورة بناها فريقها لأجل "تعليم" الحاسوب كيف يفهم الصور) والأفكار الرئيسية التي لم تتبلور بعد.
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
Double-click the English transcript below to play the video.
00:14
Let me show you something.
0
2366
3738
دعوني أريكم شيئًا
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(فيديو) طفلة: حسنًا، هذه قطة
تجلس في السرير
تجلس في السرير
00:22
The boy is petting the elephant.
2
10260
4040
الولد يداعب الفيل
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
هؤلاء أناس سيسافرون
على متن الطائرة
على متن الطائرة
00:30
That's a big airplane.
4
18654
2810
تلك طائرة كبيرة
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
فاي-فاي لِي: هذه طفلة
عمرها ثلاثة أعوام
عمرها ثلاثة أعوام
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
تصف ما تراه في
مجموعة من الصور
مجموعة من الصور
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
ربما لا يزال أمامها الكثير
لتتعلمه عن هذا العالم
لتتعلمه عن هذا العالم
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
لكنها بالفعل خبيرة في
مهمة ضرورية جدًا
مهمة ضرورية جدًا
00:46
to make sense of what she sees.
9
34743
2846
أن تعي وتعقل ما تراه
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
مجتمعنا متقدمٌ تكنولوجيًا
بشكل لم يسبق له مثيل
بشكل لم يسبق له مثيل
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
نُرسل أناسًا إلى القمر
أونجعل هواتفنا تتحدث إلينا
أونجعل هواتفنا تتحدث إلينا
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
أو نخصص محطات إذاعية تستطيع أن
تعزف الموسيقى التي نحبها فقط
تعزف الموسيقى التي نحبها فقط
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
لكن، آلاتنا وأجهزة الكمبيوتر
الأكثر تطورًا
الأكثر تطورًا
01:07
still struggle at this task.
14
55085
2903
لا تزال تشق طريقها جاهدةً
لتنفيذ هذه المهمة
لتنفيذ هذه المهمة
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
لذلك جئت اليوم
لأعطيكم تقريرًا مرحليًا
لأعطيكم تقريرًا مرحليًا
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
عن آخر التطورات في أبحاثنا
في مجال الإبصار الحاسوبي،
في مجال الإبصار الحاسوبي،
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
وهو أحد التقنيات الرائدة
بل وربما الثورية
بل وربما الثورية
01:21
technologies in computer science.
18
69655
3206
في مجال علوم الحاسوب
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
نعم، لقد صنعنا نماذج لسيارات
تستطيع أن تقود نفسها بنفسها
تستطيع أن تقود نفسها بنفسها
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
لكن بدون إبصار ذكي
لن تستطيع تلك السيارات أن تميز الفرق بدقة
لن تستطيع تلك السيارات أن تميز الفرق بدقة
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
بين كيس ورقي متكوّم على الطريق
بحيث يمكنها أن تمر فوقه
بحيث يمكنها أن تمر فوقه
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
وبين صخرة بنفس الحجم
ينبغي عليها تجاوزها
ينبغي عليها تجاوزها
01:41
We have made fabulous megapixel cameras,
23
89415
3390
لقد صنعنا كاميرات رائعة
تقاس دقتها بالميجا بكسل
تقاس دقتها بالميجا بكسل
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
لكننا لم نمنح الأعمى بصرًا
01:48
Drones can fly over massive land,
25
96420
3305
تستطيع الطائرات بدون طيار
أن تحلق فوق مساحات شاسعة
أن تحلق فوق مساحات شاسعة
01:51
but don't have enough vision technology
26
99725
2134
لكنها لا تملك تقنية إبصار كافية
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
لتعيننا على تتبع التغيرات
في الغابات المطيرة
في الغابات المطيرة
01:57
Security cameras are everywhere,
28
105320
2950
كاميرات المراقبة أصبحت في كل مكان
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
لكنها لا تنبهنا عندما يوشك
طفل على الغرق في بركة سباحة
طفل على الغرق في بركة سباحة
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
الصور والفيديوهات أصبحت
جزءًا متكاملا مع الحياة على مستوى العالم
جزءًا متكاملا مع الحياة على مستوى العالم
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
لقد أصبحت تتدفق بوتيرة أسرع
بكثير مما كان أي إنسان
بكثير مما كان أي إنسان
02:15
or teams of humans, could hope to view,
32
123849
2783
أو مجموعة من البشر يأمل في رؤيته
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
وأنا وأنت نساهم في ذلك
في مؤتمر TED هذا
في مؤتمر TED هذا
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
لكن ما تزال أكثر برامجنا تطورًا
تواجه مشكلة في استيعاب
تواجه مشكلة في استيعاب
02:27
and managing this enormous content.
35
135785
3876
وإدارة هذا المحتوى الهائل
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
لذلك، وبكلمات أخرى
نحن كمجتمع، بصورة جمعية
نحن كمجتمع، بصورة جمعية
02:36
we're very much blind,
37
144933
1746
فاقدون للبصر بشدة
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
لأن أذكى آلاتنا لا تزال عمياء
02:43
"Why is this so hard?" you may ask.
39
151526
2926
يمكنك أن تسأل
"لِمَ ذلك من الصعوبة بمكان؟"
"لِمَ ذلك من الصعوبة بمكان؟"
02:46
Cameras can take pictures like this one
40
154452
2693
تستطيع الكاميرات أن تلتقط صورًا كهذه
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
عن طريق تحويل الضوء إلى
مصفوفة أرقام ثنائية البعد
مصفوفة أرقام ثنائية البعد
02:53
known as pixels,
42
161139
1650
تعرف باسم البكسل
02:54
but these are just lifeless numbers.
43
162789
2251
لكنها مجرد أرقام خالية من الحياة
02:57
They do not carry meaning in themselves.
44
165040
3111
لا تحمل في ذاتها أي معنى
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
تمامًا كما أن السّمْع يختلف عن الإصغاء
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
فإن التقاط الصور يختلف عن الإبصار
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
فبالإبصار، فإننا في الحقيقة
نعني الفهم
نعني الفهم
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
في الواقع، فإن الأمر استغرق الطبيعة الأم
540 مليون سنة من العمل المُضني
540 مليون سنة من العمل المُضني
03:19
to do this task,
49
187470
1973
لتنجز هذه المهمة
03:21
and much of that effort
50
189443
1881
ومعظم ذلك الجهد
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
ذهب في سبيل تطوير جهاز معالجة
بصرية في أدمغتنا
بصرية في أدمغتنا
03:28
not the eyes themselves.
52
196595
2647
وليس العين بحد ذاتها
03:31
So vision begins with the eyes,
53
199242
2747
إذن، تبدأ الرؤية في العين
03:33
but it truly takes place in the brain.
54
201989
3518
لكنها حقيقة تحدث في الدماغ
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
منذ 15 عامًا وحتى الآن بدأتها منذ كنت أحضر
الدكتوراه في معهد كاليفورنيا للتكنولوجيا
الدكتوراه في معهد كاليفورنيا للتكنولوجيا
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
وبعد ذلك عندما كنت أقود
مختبر الإبصار في ستانفورد
مختبر الإبصار في ستانفورد
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
كنت أعمل مع أساتذتي
ومعاونيّ وتلامذتي
ومعاونيّ وتلامذتي
03:50
to teach computers to see.
58
218669
2889
على تعليم الحواسيب لكي تبصر
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
مجال بحثنا يسمى
الإبصار الحاسوبي وتعليم الحواسيب
الإبصار الحاسوبي وتعليم الحواسيب
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
وهو جزء من المجال العام
في الذكاء الصناعي
في الذكاء الصناعي
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
ما نريد الوصول إليه هو أن نُعَلّم
الآلات لكي تبصر مثلنا تمامًا
الآلات لكي تبصر مثلنا تمامًا
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
تُسمي الأشياء بأسمائها وتتعرف على الأشخاص
وتستدل على الأبعاد الثلاثية للأسطح
وتستدل على الأبعاد الثلاثية للأسطح
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
تفهم العلاقات والعواطف
والأفعال والنوايا
والأفعال والنوايا
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
أنت وأنا ننسج معا قصصًا كاملة
عن الناس والأماكن والأشياء
عن الناس والأماكن والأشياء
04:25
the moment we lay our gaze on them.
65
253721
2164
في اللحظة التي تقع فيها أبصارنا عليهم
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
أول خطوة في سبيل تحقيق هذا الهدف
هي أن نلقن الحاسوب كيف يرى الأشياء
هي أن نلقن الحاسوب كيف يرى الأشياء
04:34
the building block of the visual world.
67
262538
3368
اللبِنة الأساسية للعالم المرئي
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
بأبسط العبارات، تخيل
هذه العملية التلقينية
هذه العملية التلقينية
04:42
as showing the computers
some training images
some training images
69
270340
2995
كأن نُري الحواسيب بعض
الصور التدريبية
الصور التدريبية
04:45
of a particular object, let's say cats,
70
273335
3321
لشيء معين، لنفترض قطة
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
ونصمم نموذجا يمكنه أن يتعلم
من هذه الصور التدريبية
من هذه الصور التدريبية
04:53
How hard can this be?
72
281393
2044
ما هو مبلغ الصعوبة في ذلك؟
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
ففي النهاية، ما القطة إلا
مجموعة أشكال وألوان
مجموعة أشكال وألوان
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
وهذا ما فعلناه في الأيام الأولى
لعملية نَمْذجة الأشياء
لعملية نَمْذجة الأشياء
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
كنا نلقن خوارزمية الحاسوب
بلغة رياضية
بلغة رياضية
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
أن القطة لها وجه مُدوّر
وجسم مُكْتَنِز
وجسم مُكْتَنِز
05:10
two pointy ears, and a long tail,
77
298540
2299
وأذنان مدببتان
وذيل طويل
وذيل طويل
05:12
and that looked all fine.
78
300839
1410
وبدا ذلك مما لا بأس فيه
05:14
But what about this cat?
79
302859
2113
لكن ماذا عن هذه القطة؟
05:16
(Laughter)
80
304972
1091
(ضحك)
05:18
It's all curled up.
81
306063
1626
أنها ملتفة حول نفسها
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
الآن عليك أن تضيف شكلًا
ومنظورًا آخرين للنموذج
ومنظورًا آخرين للنموذج
05:24
But what if cats are hidden?
83
312408
1715
لكن ماذا لو كانت القطط مخفية؟
05:27
What about these silly cats?
84
315143
2219
ماذا عن هذه القطط المُضحكة؟
05:31
Now you get my point.
85
319112
2417
لقد فهمتم الآن ما أعنيه
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
حتى بالنسبة لشيء بسيط
كحيوان أليف
كحيوان أليف
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
يمكن أن يقدم عددا لا نهائي
من المتغيرات للنموذج
من المتغيرات للنموذج
05:41
and that's just one object.
88
329400
2233
وهذا مجرد شيء واحد فحسب
05:44
So about eight years ago,
89
332573
2492
لذا منذ حوالي ثمان سنوات
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
ملاحظة بسيطة ومتعمقة
غيرت تفكيري
غيرت تفكيري
05:53
No one tells a child how to see,
91
341425
2685
لا أحد يُعَلّم الطفل كيف يبصر
05:56
especially in the early years.
92
344110
2261
خصوصًا في السنوات الأولى
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
هم يتعلمون من خلال التجارب
والأمثلة في العالم الحقيقي
والأمثلة في العالم الحقيقي
06:03
If you consider a child's eyes
94
351371
2740
إذا أخذت في الاعتبار عيني طفل
06:06
as a pair of biological cameras,
95
354111
2554
كزوج من الكاميرات الحيوية
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
فإنها تلتقط صورة واحدة
كل 200 ميللي ثانية تقريبًا
كل 200 ميللي ثانية تقريبًا
06:12
the average time an eye movement is made.
97
360845
3134
وهو متوسط الوقت الذي تستغرقه حركة العين
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
إذن ففي الثالثة من العمر يكون الطفل
قد رأى مئات الملايين من الصور
قد رأى مئات الملايين من الصور
06:21
of the real world.
99
369529
1834
للعالم الحقيقي
06:23
That's a lot of training examples.
100
371363
2280
هذا يشكل كمًا كبيرًا من الأمثلة التدريبية
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
ولذلك فبدلا من التركيز على تحسين
الخوارزميات لوحدها
الخوارزميات لوحدها
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
فَطِنْت لأن أعطي الخوارزميات
نفس النوع من البيانات التدريبية
نفس النوع من البيانات التدريبية
06:37
that a child was given through experiences
103
385644
3319
التي يحصل عليها الطفل من خلال التجارب
06:40
in both quantity and quality.
104
388963
3878
من حيث الكمّ والنوع
06:44
Once we know this,
105
392841
1858
طالما أننا نعرف ذلك
06:46
we knew we needed to collect a data set
106
394699
2971
فقد عرفنا أننا نحتاج أن نجمع مجموعة بيانات
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
تحتوي على صور أكثر بكثير
مما كنا قد حصلنا عليه من قبل
مما كنا قد حصلنا عليه من قبل
06:54
perhaps thousands of times more,
108
402129
2577
ربما أكثر بآلاف المرات
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
وبالتعاون مع البروفيسور كاي لي
من جامعة برينستون
من جامعة برينستون
07:00
we launched the ImageNet project in 2007.
110
408817
4752
أطلقنا في العام 2007 مشروع ImageNet
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
لحسن الحظ، لم يتعين علينا أن
نَنْصِب كاميرا فوق رؤوسنا
نَنْصِب كاميرا فوق رؤوسنا
07:09
and wait for many years.
112
417407
1764
ثم ننتظر لسنوات عديدة
07:11
We went to the Internet,
113
419171
1463
لقد اتجهنا للإنترنت
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
حيث يقبع أكبر كنز من الصور
أنتجته البشرية على الإطلاق
أنتجته البشرية على الإطلاق
07:17
We downloaded nearly a billion images
115
425070
3041
لقد قمنا بتحميل ما يقارب المليار صورة
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
واستخدمنا تقنية "التعهيد الجماعي" كتلك
التي توفرها منصة "أمازون ميكنيكال تورك" ـ
التي توفرها منصة "أمازون ميكنيكال تورك" ـ
07:25
to help us to label these images.
117
433991
2339
لتساعدنا في تصنيف تلك الصور
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
كان مشروع ImageNet في ذروته
واحدًا من أكبر المُشَغّلين
واحدًا من أكبر المُشَغّلين
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
للعاملين على منصة أمازون تلك
07:36
together, almost 50,000 workers
120
444226
3854
معًا، كانوا 50,000 عامل تقريبًا
07:40
from 167 countries around the world
121
448080
4040
من 167 دولة حول العالم
07:44
helped us to clean, sort and label
122
452120
3947
ساعدونا في ترتيب وفرز وتصنيف
07:48
nearly a billion candidate images.
123
456067
3575
ما يقرب من مليار صورة مُرَشّحة
07:52
That was how much effort it took
124
460612
2653
هذا يبين مقدار الجهد المُسْتغرق
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
لالتقاط مجرد جزء صغير من الصور
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
التي يستوعبها عقل طفل
في سنوات تطوره الأولى
في سنوات تطوره الأولى
08:04
In hindsight, this idea of using big data
127
472148
3902
في لفتة متأخرة، فإن فكرة استخدام
الـ"بيانات كبيرة" (big data)
الـ"بيانات كبيرة" (big data)
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
لتدريب خوارزميات الحواسيب
قد تبدو واضحة الآن
قد تبدو واضحة الآن
08:12
but back in 2007, it was not so obvious.
129
480600
4110
لكنها في العام 2007، لم تكن بهذا الوضوح
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
لقد كنا لوحدنا تمامًا في هذه الرحلة
لوهلة من الزمن
لوهلة من الزمن
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
نصحني بعض زملائي المقربين بأن أقوم
بشيء أكثر ملاءمة لمركزي
بشيء أكثر ملاءمة لمركزي
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
وحينها كنا نعني باستمرار
لتوفير التمويل لأبحاثنا
لتوفير التمويل لأبحاثنا
08:29
Once, I even joked to my graduate students
133
497933
2485
مرةً، مازحت طلاب الدراسات العليا
الذين كنت أشرف عليهم
الذين كنت أشرف عليهم
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
بأنني مستعدة لأفتتح مصبغة الملابس
التي أمتلكها من جديد لتمويل ImageNet
التي أمتلكها من جديد لتمويل ImageNet
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
على كلٍ، كانت هذه هي الطريقة التي
مولت بها نفسي خلال دراستي الجامعية
مولت بها نفسي خلال دراستي الجامعية
08:41
So we carried on.
136
509242
1856
وهكذا تابعنا عملنا
08:43
In 2009, the ImageNet project delivered
137
511098
3715
في 2009، تم إنجاز مشروع ImageNet
08:46
a database of 15 million images
138
514813
4042
قاعدة بيانات ذات 15 مليون صورة
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
ونحو 22,000 رُتبة للأشياء
08:55
organized by everyday English words.
140
523660
3320
مرتبة بكلمات اللغة
الإنجليزية المستعملة يوميًا
الإنجليزية المستعملة يوميًا
08:58
In both quantity and quality,
141
526980
2926
حسب كل من الكمية والنوعية
09:01
this was an unprecedented scale.
142
529906
2972
لقد كان هذا مستوًى غير مسبوق
09:04
As an example, in the case of cats,
143
532878
3461
كمثال، في حالة القطط
09:08
we have more than 62,000 cats
144
536339
2809
لدينا أكثر من 62,000 قطة
09:11
of all kinds of looks and poses
145
539148
4110
من كل الأنواع وبكل الوضعيات
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
ومن كل فصائل القطط
الأليفة منها والبرية
الأليفة منها والبرية
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
لقد كنا مغتبطين لأننا تمكنا
من جمع شتات ImageNet
من جمع شتات ImageNet
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
وأردنا أن يستفيد المجتمع البحثي
بأكمله من هذا المشروع
بأكمله من هذا المشروع
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
فلذلك في مؤتمر TED fashion
وفرنا قاعدة البيانات كاملة
وفرنا قاعدة البيانات كاملة
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
بالمجان للمجتمع البحثي حول العالم
(تصفيق)
09:36
(Applause)
151
564636
4000
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
والآن وقد امتلكنا البيانات
لنغذي عقل حاسوبنا
لنغذي عقل حاسوبنا
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
أصبحنا جاهزين لنعود
للخوارزميات ذاتها
للخوارزميات ذاتها
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
وكما تبين لاحقًا، فإن ثراء
المعلومات التي وفرها ImageNet
المعلومات التي وفرها ImageNet
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
كان متناغمًا بشكل كامل مع طراز معين
من خوارزميات تعليم الحواسيب
من خوارزميات تعليم الحواسيب
09:59
called convolutional neural network,
156
587675
2415
يُسمى الشبكة العصبية الملتفّة
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
أسسها كونيهيكو فوكوشيما
وجيف هينتون ويان لي كًن
وجيف هينتون ويان لي كًن
10:07
back in the 1970s and '80s.
158
595338
3645
وذلك في السبعينات والثمانينات
من القرن الماضي
من القرن الماضي
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
تمامًا كما أن الدماغ يتكون من
مليارات الأعصاب المتصلة بقوة
مليارات الأعصاب المتصلة بقوة
10:16
a basic operating unit in a neural network
160
604602
3854
فإن الوحدة التشغيلية الأساسية
في الشبكة العصبية
في الشبكة العصبية
10:20
is a neuron-like node.
161
608456
2415
هي العقدة العصبية
10:22
It takes input from other nodes
162
610871
2554
هذه العقدة تأخذ مدخلاتها من عُقَد أخرى
10:25
and sends output to others.
163
613425
2718
وترسل مخرجاتها لعُقَد أخرى
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
أيضًا، فإن مئات الآلاف
أو حتى الملايين من هذه العُقَد
أو حتى الملايين من هذه العُقَد
10:32
are organized in hierarchical layers,
165
620856
3227
مرتبة في طبقات هرمية
10:36
also similar to the brain.
166
624083
2554
شبيهة جدا بالدماغ
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
في الشبكة العصبية النمطية، اعتدنا أن
ندرب نموذج التعرف على الأشياء الخاص بنا
ندرب نموذج التعرف على الأشياء الخاص بنا
10:43
it has 24 million nodes,
168
631420
3181
والذي لديه 24 مليون عقدة
10:46
140 million parameters,
169
634601
3297
و140 مليون متغير
10:49
and 15 billion connections.
170
637898
2763
و15 مليار وصلة
10:52
That's an enormous model.
171
640661
2415
هذا نموذج ضخم
10:55
Powered by the massive data from ImageNet
172
643076
3901
مدعوم بكم هائل من البيانات من ImageNet
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
ووحدات مركزية حديثة لمعالجة البيانات
والصور لتدريب نموذج ضخم كهذا
والصور لتدريب نموذج ضخم كهذا
11:04
the convolutional neural network
174
652410
2369
الشبكة العصبية الملتفّة
11:06
blossomed in a way that no one expected.
175
654779
3436
تطورت بشكل لم يتوقعه أحد
11:10
It became the winning architecture
176
658215
2508
وأصبحت هي المعمار الحاسوبي المتألق
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
في إنتاج نتائج جديدة ومثيرة
في مجال التعرف على الأشياء
في مجال التعرف على الأشياء
11:18
This is a computer telling us
178
666063
2810
هذا حاسوب يخبرنا
11:20
this picture contains a cat
179
668873
2300
بأن هذه الصورة تتضمن قطة
11:23
and where the cat is.
180
671173
1903
وأين هي القطة تحديدًا
11:25
Of course there are more things than cats,
181
673076
2112
طبعًا فإن هناك أشياء أخرى عدا القطط
11:27
so here's a computer algorithm telling us
182
675188
2438
فهذه خوارزمية حاسوب تخبرنا
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
بأن هذه الصورة تحتوي على ولد ودبدوب
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
كلب وشخص وطائرة ورقية
صغيرة في الخلفية
صغيرة في الخلفية
11:37
or a picture of very busy things
185
685266
3135
أو صورة مليئة جدًا بالأشياء
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
مثل رَجُل ولوح تزلج ودرابزين
وعمود إنارة وهلم جرًا
وعمود إنارة وهلم جرًا
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
أحيانًا، عندما لا يكون الحاسوب
متأكدًا جدًا حيال ما يراه
متأكدًا جدًا حيال ما يراه
11:51
we have taught it to be smart enough
188
699498
2276
علمناه أن يكون ذكيًا بقدرٍ كافٍ
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
ليعطي إجابة آمنة بدلًا من أن
يرهق نفسه زيادة عن اللزوم
يرهق نفسه زيادة عن اللزوم
11:57
just like we would do,
190
705652
2811
تماما كما قد نفعل نحن
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
لكن في أحيان أخرى تكون
خوارزميتنا مميزة في إخبارنا
خوارزميتنا مميزة في إخبارنا
12:05
what exactly the objects are,
192
713129
2253
عن ماهية الأشياء بدقة
12:07
like the make, model, year of the cars.
193
715382
3436
كالشركة المصنعة لسيارة
وطرازها وسنة صنعها
وطرازها وسنة صنعها
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
لقد طبقنا هذه الخوارزمية على ملايين
الصور في Google Street View
الصور في Google Street View
12:16
across hundreds of American cities,
195
724204
3135
عبر مئات المدن الأمريكية
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
وتعلمنا شيئًا مثيرًا للاهتمام حقًا
12:22
first, it confirmed our common wisdom
197
730265
3320
أولًا، لقد أكدت لنا حِسّنا السليم
12:25
that car prices correlate very well
198
733585
3290
حيث كان هناك علاقة وثيقة
بين أسعار السيارات
بين أسعار السيارات
12:28
with household incomes.
199
736875
2345
ومستويات الدّخل
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
لكن المفاجأة كانت أن أسعار
السيارات ترتبط أيضًا بعلاقة وثيقة
السيارات ترتبط أيضًا بعلاقة وثيقة
12:35
with crime rates in cities,
201
743747
2300
مع معدلات الجريمة في المدن
12:39
or voting patterns by zip codes.
202
747007
3963
أو مع أنماط التصويت
حسب الأحياء والضواحي
حسب الأحياء والضواحي
12:44
So wait a minute. Is that it?
203
752060
2206
فلتنتظروا لحظة. هل هذا كل ما في الأمر؟
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
هل وصلت قدرات الحواسيب لقدرات
البشر أو تجاوزتها حتى؟
البشر أو تجاوزتها حتى؟
12:51
Not so fast.
205
759419
2138
ليس بهذه السرعة
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
حتى الآن، فقط علمنا الحاسوب
كيف يرى الأشياء
كيف يرى الأشياء
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
وهو في ذلك يشبه طفلًا صغيرا
يتعلم كيف ينطق بعض الكلمات
يتعلم كيف ينطق بعض الكلمات
13:03
It's an incredible accomplishment,
208
771124
2670
إنه إنجاز لا يصدَّق
13:05
but it's only the first step.
209
773794
2460
لكنها مجرد خطوة أولى
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
قريبا سننجز مرحلة تطورية أخرى
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
والأطفال سيبدؤون بالتواصل عن طريق جُمَل
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
وهكذا فبدلًا من القول
بأن ما في الصورة هو قطة
بأن ما في الصورة هو قطة
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
لقد سمعتم بالفعل تلك الفتاة الصغيرة وهي
تخبرنا أن تلك هي قطة تستلقي على السرير
تخبرنا أن تلك هي قطة تستلقي على السرير
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
فإذن لنعلم حاسوبًا ليرى صورة
ويولّد منها جملة
ويولّد منها جملة
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
فإن الزواج بين "البيانات الكبيرة"
وخوارزميات تعليم الحواسيب
وخوارزميات تعليم الحواسيب
13:34
has to take another step.
216
802446
2275
يجب أن يخطو خطوة أخرى
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
الآن، على الحاسوب أن يتعلم من الصور
13:40
as well as natural language sentences
218
808877
2856
وكذلك جُمَل اللّغة الطبيعية
13:43
generated by humans.
219
811733
3322
التي أحدثها البشر
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
تمامًا كما يُكامل الدماغ
بين الرؤية واللغة
بين الرؤية واللغة
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
طورنا نموذجًا يربط
أجزاءً من الأشياء المرئيَة
أجزاءً من الأشياء المرئيَة
13:56
like visual snippets
222
824109
1904
كالقصاصات المرئية مثلًا
13:58
with words and phrases in sentences.
223
826013
4203
مع كلمات وعبارات في جُمل
14:02
About four months ago,
224
830216
2763
منذ حوالي أربعة أشهر
14:04
we finally tied all this together
225
832979
2647
ربطنا أخيرًا بين كل هذه الأجزاء
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
وأنتجنا واحدًا من أوائل
نماذج الإبصار الحاسوبية
نماذج الإبصار الحاسوبية
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
القادرة على توليد جُمل
مقاربة للغة البشر
مقاربة للغة البشر
14:15
when it sees a picture for the first time.
228
843404
3506
عندما ترى صورة للمرة الأولى
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
الآن، أنا مستعدة لأريك
ما يقول الحاسوب
ما يقول الحاسوب
14:23
when it sees the picture
230
851554
1975
عندما يرى الصورة
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
التي رأتها تلك الفتاة الصغيرة
في أول هذه المحادثة
في أول هذه المحادثة
(فيديو) الحاسوب: رجلٌ يقف إلى جانب فيل
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
طائرة كبيرة تقبع على رأس مَدْرج مطار
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
فاي-فاي لي: طبعًا، لا نزال نعمل
باجتهاد لنطور خوارزميتنا
باجتهاد لنطور خوارزميتنا
14:45
and it still has a lot to learn.
235
873269
2596
ولا يزال أمامها الكثير لتتعلمه
14:47
(Applause)
236
875865
2291
(تصفيق)
14:51
And the computer still makes mistakes.
237
879556
3321
ولا يزال الحاسوب يقع في أخطاء
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
(فيديو) الحاسوب: قطة تستلقي
في بطانية على سرير
في بطانية على سرير
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
فاي-فاي لي: وهكذا بالطبع، فعندما يرى
الكثير من القطط
الكثير من القطط
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
يظن أن كل شيء قد يبدو مثل قطة
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
(فيديو) الحاسوب: طفل صغير يحمل مضرب بيسبول
15:08
(Laughter)
242
896181
1765
(ضحك)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
فاي-فاي لي: أو إن لم يكن رأى فرشاة أسنان
من قبل فقد يخلط بينها وبين مضرب بيسبول
من قبل فقد يخلط بينها وبين مضرب بيسبول
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
(فيديو) الحاسوب: رَجل يمتطي حصانًا
في آخر الشارع بجانب مبنًى
في آخر الشارع بجانب مبنًى
15:18
(Laughter)
245
906743
2023
(ضحك)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
فاي-فاي لي: لم نشرح للحواسيب
درس مبادئ الفن
درس مبادئ الفن
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
(فيديو) الحاسوب: حمار وحشي يقف
في حقل من العشب
في حقل من العشب
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
فاي-فاي لي: ولم يتعلم كذلك كيف
يُقَدّر جمال الطبيعة الساحر
يُقَدّر جمال الطبيعة الساحر
15:32
like you and I do.
249
920019
2438
كما تُقَدّره أنت وأنا
15:34
So it has been a long journey.
250
922457
2832
إذن فقد كانت رحلة طويلة
15:37
To get from age zero to three was hard.
251
925289
4226
الانتقال من عمر صفر إلى عمر
ثلاث سنوات هو عمل شاق
ثلاث سنوات هو عمل شاق
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
التحدي الحقيقي هو أن تنتقل من 3 سنوات
إلى 13 سنة وأبعد من ذلك
إلى 13 سنة وأبعد من ذلك
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
دعوني أذكركم بهذه الصورة
للطفل والكعكة مرة أخرى
للطفل والكعكة مرة أخرى
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
حتى الآن، علمنا الحاسوب أن يبصر الأشياء
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
أو أن يحكي لنا قصة بسيطة عندما يرى صورة
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
(فيديو) الحاسوب: شخص يجلس
إلى مائدة مع كعكة
إلى مائدة مع كعكة
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
فاي-فاي لي: لكن هناك المزيد
والمزيد في هذه الصورة
والمزيد في هذه الصورة
16:06
than just a person and a cake.
258
954204
2270
أكثر من مجرد شخص وكعكة
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
ما لا يراه الحاسوب أن تلك
هي كعكة إيطالية مميزة
هي كعكة إيطالية مميزة
16:12
that's only served during Easter time.
260
960941
3217
تُقَدّم فقط بمناسبة عيد الفِصْح
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
الولد يرتدي قميصه المفضّل
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
الذي أعطاه إياه والده كهدية
بعد رحلة إلى سيدني
بعد رحلة إلى سيدني
16:23
and you and I can all tell how happy he is
263
971333
3808
وجميعنا نرى كم هو سعيد
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
ونستطيع أن نخمن ما يدور في خَلَده
في تلك اللحظة
في تلك اللحظة
16:31
This is my son Leo.
265
979214
3125
هذا هو ابني ليو
16:34
On my quest for visual intelligence,
266
982339
2624
أثناء بحثي عن الذكاء البصري
16:36
I think of Leo constantly
267
984963
2391
كنت أفكر في ليو باستمرار
16:39
and the future world he will live in.
268
987354
2903
وعن عالم المستقبل الذي سيعيش فيه
16:42
When machines can see,
269
990257
2021
عندما ستتمكن الحواسيب من الإبصار
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
الأطباء والممرضات سيحظون بأزواج
إضافية من العيون التي لا تَكِلّ
إضافية من العيون التي لا تَكِلّ
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
لتعينهم على تشخيص المرضى والعناية بهم
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
ستسير السيارات على الطرقات
بشكل أذكى وأكثر أمانًا
بشكل أذكى وأكثر أمانًا
16:57
Robots, not just humans,
273
1005465
2694
الرجال الآليون
وليس البشر فحسب
وليس البشر فحسب
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
سيساعدوننا في مواجهة نطاقات الكوارث
لينقذوا المحتجزين والجرحى
لينقذوا المحتجزين والجرحى
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
سنكتشف أنواع مخلوقات جديدة
ومواد أفضل
ومواد أفضل
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
وسنستكشف الأبعاد غير المرئية
بمساعدة الحواسيب
بمساعدة الحواسيب
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
شيئًا فشيئًا، نحن نمنح
حاسة البصر للحواسيب
حاسة البصر للحواسيب
17:19
First, we teach them to see.
278
1027280
2798
في البداية نعلمها كيف ترى
17:22
Then, they help us to see better.
279
1030078
2763
ثم ستساعدنا لنرى بشكل أفضل
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
لأول مرة، لن تكون عيون البشر هي الوحيدة
17:29
pondering and exploring our world.
281
1037006
2934
التي تتأمل وتستكشف عالمنا
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
لن يقتصر استخدامنا للحواسيب لأجل ذكائها
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
بل سوف نتعاون معها
بطرق لا يمكننا حتى تخيلها
بطرق لا يمكننا حتى تخيلها
17:41
This is my quest:
284
1049579
2161
هذا هو أملي
17:43
to give computers visual intelligence
285
1051740
2712
أن أعطي الحواسيب ذكاءً بصريًا
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
وأن أخلق مستقبلًا أفضل
من أجل ليو ومن أجل العالم
من أجل ليو ومن أجل العالم
17:51
Thank you.
287
1059583
1811
شكرًا
17:53
(Applause)
288
1061394
3785
(تصفيق)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.
Why you should listen
Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.
Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.
Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers.
Fei-Fei Li | Speaker | TED.com