TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
بليز أوغيرا إي أركاس: كيف تتعلم الحواسيب لتصبح مبدعة؟
Filmed:
Readability: 4.4
1,934,067 views
نحن نقف على تخوم عهد جديد من الفن والإبداع -- وهو غير متعلق بالإنسان. يعمل العالم الرئيسي في غوغل (بليز أوغيرا إي أركاس) على شبكات عصبية عميقة للإدراك الصناعي والتعليم الموزّع. في هذا العرض الأسر، يعرض كيف أن الشبكات العصبية المدرّبة على التعرف على الصور يمكن جعلها تعمل على نحو عكسي لتوليد هذه الصور. النتيجة هي ملصقات فنية-وقصائد- باهرة وهذيانية والتي تتحدى التصنيف. يقول (بليز أوغيرا إي أركاس) "الإدراك والإبداع مترابطان على نحو وثيق" كما يواصل "أي مخلوق، أي كائن قادر على الإتيان بأفعال حسية، قادر كذلك على التكوين."
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Double-click the English transcript below to play the video.
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
حسنا، أقود فريقاً في غوغل
يعمل في مجال الذكاء الاصطناعي؛
يعمل في مجال الذكاء الاصطناعي؛
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
بعبارة أخرى،
النظام الهندسي لصنع الحواسيب والأجهزة
النظام الهندسي لصنع الحواسيب والأجهزة
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
القادرة علي القيام ببعض الأمور
التي يفعلها الدماغ.
التي يفعلها الدماغ.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
وهذا مايجعلنا مهتمين بالدماغ الطبيعي
00:26
and neuroscience as well,
4
14562
1289
وعلم الأعصاب علي حد سواء،
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
ونهتم بشكل خاص
بالأمور التي تقوم بها أدمغتنا
بالأمور التي تقوم بها أدمغتنا
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
والتي ما تزال متفوقة جداُ
علي أداء الحواسيب.
علي أداء الحواسيب.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
تاريخياً، كان الإدراك أحد تلك الأشياء،
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
وهي العملية التي من خلالها
يمكن للأشياء المحيطة --
يمكن للأشياء المحيطة --
00:43
sounds and images --
9
31905
1584
كالأصوات والصور --
00:45
can turn into concepts in the mind.
10
33513
2178
أن تتحول إلي أفكار في العقل.
00:48
This is essential for our own brains,
11
36235
2517
وهذا أساسي لأدمغتنا،
00:50
and it's also pretty useful on a computer.
12
38776
2464
وأيضاً مفيد جداً في الحواسيب.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
خوارزميات الإدراك الآليه،
على سبيل المثال، التي يصنعها فريقنا،
على سبيل المثال، التي يصنعها فريقنا،
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
هي مايجعل صورك على محرك بحث غوغل للصور
قابلة للبحث،
قابلة للبحث،
01:00
based on what's in them.
15
48908
1397
بناءً علي محتوياتها.
01:03
The flip side of perception is creativity:
16
51594
3493
الوجة الآخر للإدراك هو الإبداع:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
أن تحول مفهوماً ما إلى شئ
ملموس يهم العالم.
ملموس يهم العالم.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
لذك خلال العام الماضي،
فإن عملنا في الإدراك الإصطناعي
فإن عملنا في الإدراك الإصطناعي
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
قد اقترن على نحو غير متوقع
بالإبداع الآلي
بالإبداع الآلي
01:18
and machine art.
20
66635
1160
والفن الآلي.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
أعتقد أن (مايكل أنجلو) كان يملك
بصيرةً نافذة
بصيرةً نافذة
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
في هذه العلاقة الثنائية
بين الإدراك والإبداع.
بين الإدراك والإبداع.
01:28
This is a famous quote of his:
23
76023
2006
هذه مقولة مشهورة نقلاً عنه:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"كل كتلة حجرية تحمل في داخها تمثالاً
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
ومهمة النحات هي أن يكتشفه".
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
لذا أعتقد أن مايرمي اليه (مايكل أنجلو) هو
01:41
is that we create by perceiving,
27
89269
3180
أننا نبدع بمدى استيعابنا،
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
وأن الإدراك ذاته هو عملية تخيل
01:47
and is the stuff of creativity.
29
95520
2461
وهو أيضاً أداة الإبداع.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
العضو الذي يقوم
بكل التفكير والإستيعاب والتخيّل،
بكل التفكير والإستيعاب والتخيّل،
01:54
of course, is the brain.
31
102640
1588
هو بالطبع، الدماغ.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
و أودّ أن أبدأ بنبذه تاريخية قصيرة
01:59
about what we know about brains.
33
107658
2302
عن ما نعرفه عن الدماغ.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
لأنه، خلافاً لمثلاً، القلب أو الأمعاء.
02:04
you really can't say very much
about a brain by just looking at it,
about a brain by just looking at it,
35
112966
3144
لا يمكنك قول الكثير عن الدماغ
بمجرد النظر اليه،
بمجرد النظر اليه،
02:08
at least with the naked eye.
36
116134
1412
على الأقل بالعين المجردة.
02:09
The early anatomists who looked at brains
37
117983
2416
علماء التشريج الأوائل
الذين نظروا في الدماغ
الذين نظروا في الدماغ
02:12
gave the superficial structures
of this thing all kinds of fanciful names,
of this thing all kinds of fanciful names,
38
120423
3807
منحوا البنى السطحية للدماغ جميع
المصطلحات المبهرجة،
المصطلحات المبهرجة،
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
مثل الحصين، الذي يعني "الجمبري الصغير."
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
وبالطبع هذا النمط من الأمور
لا يخبرنا بالكثير
لا يخبرنا بالكثير
02:21
about what's actually going on inside.
41
129499
2318
عن ما يحدث في الداخل.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
أعتقد بحق، أن أول من قام بتكوين
نوع من البصيرة
نوع من البصيرة
02:28
into what was going on in the brain
43
136417
1930
عما يحدث داخل الدماغ
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
كان عالم تشريح الأعصاب العظيم
(سانتياغو رامون كاخال)،
(سانتياغو رامون كاخال)،
02:34
in the 19th century,
45
142315
1544
في القرن التاسع عشر،
02:35
who used microscopy and special stains
46
143883
3755
و الذي استخدم المجهر وأصبغة خاصة
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
و التي كان بإمكانها أن تملأ الخلايا
المفردة في الدماغ
المفردة في الدماغ
02:43
the individual cells in the brain,
48
151856
2008
بتباينٍ شديد الوضوح،
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
من أجل البدء بفهم تكوينها الشكلي.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
و هذه هي أنواع الرسومات التي ابتكرها من
الخلايا العصبية
الخلايا العصبية
02:52
in the 19th century.
51
160887
1209
في القرن التاسع عشر.
02:54
This is from a bird brain.
52
162120
1884
هذا من دماغ طائر.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
ويمكنك رؤية التنوع الرائع لمختلف
أنواع الخلايا،
أنواع الخلايا،
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
حتى النظرية الخلوية نفسها كانت حديثة العهد
في تلك المرحلة.
في تلك المرحلة.
03:02
And these structures,
55
170568
1278
وهذه البنى،
03:03
these cells that have these arborizations,
56
171870
2259
هذه الخلايا التي لديها هذه التغصنات
النهائية،
النهائية،
هذه التفرعات التي يمكنها أن تتمدد لمسافات
طويلة جداً جداً
طويلة جداً جداً
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
كان أمراً غير مألوف في تلك الحقبة.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
بالطبع، إنها أسلاك حافلة بالذكريات،.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
قد يبدو الأمر واضحاً للبعض في القرن 19؛
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
ثورة الأسلاك و الكهرباء كانت
لا تزال قيد البناء.
لا تزال قيد البناء.
لكن في العديد من النواحي،
03:21
But in many ways,
62
189964
1178
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
كانت هذه الرسومات المجهرية ل(رامون كاخال)
كهذه الرسمة،
كهذه الرسمة،
03:26
they're still in some ways unsurpassed.
64
194503
2332
كانت لا تزال بشكل ما متعثرة الخطى.
03:28
We're still more than a century later,
65
196859
1854
ولا نزال بعد أكثر من قرن،
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
نحاول إنهاء المهمة التي بدأها
(رامون كاخال).
(رامون كاخال).
03:33
These are raw data from our collaborators
67
201586
3134
هذه بيانات خام من مساعدينا
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
في معهد ماكس بلانك لعلم الأعصاب.
03:39
And what our collaborators have done
69
207649
1790
وما فعله مساعدونا
03:41
is to image little pieces of brain tissue.
70
209463
5001
هو رسم أجزاء صغيرة من نسيج دماغي.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
حجم العينة الكاملة هنا حوالي ميليميتر
مكعب واحد،
مكعب واحد،
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
هنا أريكم جزءاً صغيراً جداً جداً منها.
03:52
That bar on the left is about one micron.
73
220483
2346
طول الخط الموجود إلى اليسار
حوالي مايكرون واحد.
حوالي مايكرون واحد.
البنى التي ترونها هي الجسيمات الكوندرية
(ميتوكوندريا)
(ميتوكوندريا)
03:54
The structures you see are mitochondria
74
222853
2409
03:57
that are the size of bacteria.
75
225286
2044
و هي بحجم الباكتريا.
03:59
And these are consecutive slices
76
227354
1551
و هذه شرائح متلاحقة
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
خلال كتلة النسيج هذه المتناهية في الصغر.
04:04
Just for comparison's sake,
78
232101
2403
و على سبيل المقارنة فقط،
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
فإن قطر خصلة شعر عادية حوالي 100 مايكرون.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
و بهذا فإننا ننظر إلى شئ أصغر بكثيرٍ جداً
04:12
than a single strand of hair.
81
240642
1398
من خصلة شعر واحدة.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
و من خلال هذه الأنواع من الشرائح
المأخوذة بمجهر إلكتروني تسلسلي،
المأخوذة بمجهر إلكتروني تسلسلي،
04:18
one can start to make reconstructions
in 3D of neurons that look like these.
in 3D of neurons that look like these.
83
246119
5008
يمكن للمرء أن يبدأ العمل على إعادة بناء
نموذج ثلاثي الأبعاد لخلية عصبية تبدو كهذه.
نموذج ثلاثي الأبعاد لخلية عصبية تبدو كهذه.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
إذاً هذه أنماط مشابهة نوعاً ما لتلك التي
لدى (رامون كاخال).
لدى (رامون كاخال).
04:26
Only a few neurons lit up,
85
254332
1492
و قد ظهرت بضع خلايا عصبية فقط،
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
و إلا ما كنا لنستطيع أن نرى أي شيء هنا.
04:30
It would be so crowded,
87
258653
1312
كانت لتبدو شديدة الإزدحام،
04:31
so full of structure,
88
259989
1330
غنية بالتركيب،
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
و الوصلات التي تربط الخلايا العصبية
ببعضها البعض.
ببعضها البعض.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
بهذا كان (رامون كاخال) سابقاً
لعصره بعض الشيء،
لعصره بعض الشيء،
04:40
and progress on understanding the brain
91
268121
2555
و متقدماً في فهمه للدماغ
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
تابع ببطئ خلال العقود اللاحقة.
04:45
But we knew that neurons used electricity,
93
273455
2853
و لكننا علمنا أن الخلايا العصبية
استخدمت الكهرباء،
استخدمت الكهرباء،
و بحلول الحرب العالمية الثانية، تطورت
تقنياتنا على نحو كافٍ
تقنياتنا على نحو كافٍ
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
للبدء بإجراء تجارب كهربائية فعلية على
خلايا عصبية حية
خلايا عصبية حية
04:54
to better understand how they worked.
96
282122
2106
من أجل زيادة فهمنا لكيفية عملها.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
و في ذات الفترة تماماً بدأ
اختراع الحواسيب.
اختراع الحواسيب.
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
و قد اعتمدت الفكرة إلى حد كبير على نمذجة
الدماغ --
الدماغ --
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
"الآلة الذكية،" كما أطلق
عليها (ألان تورينغ)،
عليها (ألان تورينغ)،
05:07
one of the fathers of computer science.
100
295244
1991
أحد آباء علم الحاسوب.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
اتطلع (وارن ماكولوكش) و(والتر بيتس) على
رسومات (رامون كاخال)
رسومات (رامون كاخال)
05:14
of visual cortex,
102
302579
1317
لمنطقة القشرة البصرية،
05:15
which I'm showing here.
103
303920
1562
التي أعرضها هنا.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
هذه هي القشرة التي تقوم بمعالجة
الصور القادمة من العين.
الصور القادمة من العين.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
و بالنسبة لهما، بدا هذا كمخطط
دارة كهربائية.
دارة كهربائية.
05:26
So there are a lot of details
in McCulloch and Pitts's circuit diagram
in McCulloch and Pitts's circuit diagram
106
314353
3835
و بهذا ثمة الكثير من التفاصيل في مخطط
الدارة لكل من (ماكولوتش) و(بيتس)
الدارة لكل من (ماكولوتش) و(بيتس)
05:30
that are not quite right.
107
318212
1352
ليست صحيحة تماماً.
05:31
But this basic idea
108
319588
1235
لكن هذه الفكرة الأساسية
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
أن القشرة الدماغية البصرية تعمل كسلسلة من
العناصر الحاسوبية
العناصر الحاسوبية
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
التي تمرر المعلومات من عنصر إلى التالي
بتسلسل،
بتسلسل،
05:39
is essentially correct.
111
327633
1602
هي فكرة صحيحة أساساً.
05:41
Let's talk for a moment
112
329259
2350
دعونا نتكلم لبرهة
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
عن النموذج المطلوب من أجل معالجة
المعلومات البصرية.
المعلومات البصرية.
05:48
The basic task of perception
114
336228
2741
المهمة الأساسية للإدراك
05:50
is to take an image like this one and say,
115
338993
4194
هي أخذ صورة كهذه والقول،
05:55
"That's a bird,"
116
343211
1176
"ذلك طائر،"
05:56
which is a very simple thing
for us to do with our brains.
for us to do with our brains.
117
344411
2874
و هو أمر في غاية السهولة بالنسبة لنا
باستخدام أدمغتنا.
باستخدام أدمغتنا.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
و لكن ما عليكم أن تفهموه هو
أنه بالنسبة لحاسوب،
أنه بالنسبة لحاسوب،
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
فإن هذا الأمر كان من المحال تحقيقه قبل
بضعة سنوات قليلة.
بضعة سنوات قليلة.
06:05
The classical computing paradigm
120
353865
1916
لم يكن نموذج الحاسوب التقليدي
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
واحداً يمكن من خلاله تحقيق هذه المهمة
بسهولة.
بسهولة.
06:11
So what's going on between the pixels,
122
359366
2552
إذاً إن ما يحدث بين نقاط البيكسل،
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
بين صورة الطائر، و كلمة "طائر،"
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
أساساً هو مجموعة من العصبونات
المرتبطة ببعضها
المرتبطة ببعضها
06:20
in a neural network,
125
368832
1155
ضمن شبكة عصبونية،
06:22
as I'm diagramming here.
126
370011
1223
كما أعرضها هنا.
يمكن لهذه الشبكة العصبونية أن تكون حيوية،
ضمن القشرة الدماغية البصرية،
ضمن القشرة الدماغية البصرية،
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
أو، حالياً، نبدأ العمل على إمكانية
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
نمذجة شبكات عصبونية مماثلة في الحاسوب.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
و سوف أريكم حقيقة كيف تبدو تلك الشبكات.
06:34
So the pixels you can think
about as a first layer of neurons,
about as a first layer of neurons,
131
382211
3416
إذاً يمكنك تصور نقاط البيكسل كطبقة أولى من
العصبونات،
العصبونات،
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
و هذا، في الواقع، كيفية عملها في العين --
06:39
that's the neurons in the retina.
133
387914
1663
تلك هي العصبونات في الشبكية.
06:41
And those feed forward
134
389601
1500
و تلك العصبونات تلقم الإشارة
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
داخل طبقة بعد طبقة أخرى، بعد طبقة أخرى
من العصبونات،
من العصبونات،
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
جميعها مرتبطة بواسطة مشابك ذات أوزان
مختلفة.
مختلفة.
06:49
The behavior of this network
137
397609
1335
إن سلوك هذه الشبكة
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
تتميز عن طريق قوة جميع تلك المشابك.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
و هذه تميز السمات الحسابية لهذه الشبكة.
06:57
And at the end of the day,
140
405588
1470
وبنهاية المطاف،
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
يغدو لديك عصبون أو مجموعة صغيرة من
العصبونات
العصبونات
07:01
that light up, saying, "bird."
142
409553
1647
التي تضيء، كلمة، "طائر."
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
سأقوم الآن بتمثيل تلك الأمور الثلاث --
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
المدخلات بيكسلات والمشابك في الشبكة
العصبية،
العصبية،
07:11
and bird, the output --
145
419700
1585
و طائر، المخرجات --
07:13
by three variables: x, w and y.
146
421309
3057
تحدد بمتغيرات ثلاث: x وw وy
07:16
There are maybe a million or so x's --
147
424853
1811
ربما ثمة مليون أو نحو ذلك من المتغير x
07:18
a million pixels in that image.
148
426688
1953
مليون بيكسل في تلك الصورة.
07:20
There are billions or trillions of w's,
149
428665
2446
ثمة مليونات أو ترليونات من المتغير w،
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
التي تمثل وزن جميع هذه المشابك في الشبكة
العصبية.
العصبية.
07:26
And there's a very small number of y's,
151
434580
1875
و يوجد كم ضئيل من المتغير y،
07:28
of outputs that that network has.
152
436479
1858
من المخرجات التي تمتلكها الشبكة.
07:30
"Bird" is only four letters, right?
153
438361
1749
"طائر" هي كلمة من أربعة أحرف، صحيح؟
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
إذاً دعونا نتظاهر بأن هذه مجرد معادلة
بسيطة،
بسيطة،
07:36
x "x" w = y.
155
444538
2163
x" x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
أضع التكرار ضمن إشارتي اقتباس مخيفتين
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
لأن ما يحدث بالفعل هناك، بالطبع،
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
عبارة عن سلاسل معقدة من العمليات الحسابية
الرياضية.
الرياضية.
07:47
That's one equation.
159
455172
1221
تلك معادلة واحدة.
07:48
There are three variables.
160
456417
1672
يوجد ثلاثة متغيرات.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
و جميعنا نعلم أنه عندما يكون
لدينا معادلة واحدة،
لدينا معادلة واحدة،
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
يمكنكم حل أحد المتغيرات بمعرفة
المتغيرين الآخرين.
المتغيرين الآخرين.
07:57
So the problem of inference,
163
465158
3380
لذلك فإن مشكلة الاستدلال،
08:00
that is, figuring out
that the picture of a bird is a bird,
that the picture of a bird is a bird,
164
468562
2873
هي أن نعلم أن صورة الطائر هي طائر،
08:03
is this one:
165
471459
1274
هي هذه:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
هي أن المتغير y مجهول، والمتغيرين w و x
معلومان.
معلومان.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
أنتم تعرفون الشبكات العصبية، تعرفون
البيكسلات.
البيكسلات.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
كما ترون، تلك هي مشكلة بسيطة نسبياً.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
تضاعفون مرتين بثلاث وتنتهون.
08:16
I'll show you an artificial neural network
170
484862
2123
سأريكم شبكة عصبية اصطناعية
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
قمنا ببنائها مؤخراً، بنفس الأسلوب تماماً.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
تعمل بالزمن الحقيقي على الهاتف المحمول،
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
و هذا، بالطبع، أمر رائع بحد ذاته،
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
الهاتف النقال يستطيع القيام بمليارات
بل ترليونات العمليات
بل ترليونات العمليات
08:31
per second.
175
499347
1248
بالثانية.
08:32
What you're looking at is a phone
176
500619
1615
ما تنظر اليه هو هاتف
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
تنظر لصورة تلو الأخرى لطائر،
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
وفي الحقيقية، لا تقول فقط "نعم، إنه طائر"
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
بل تميّز نوع الطائر بشبكة من هذا النوع.
08:44
So in that picture,
180
512890
1826
اذاً في تلك الصورة،
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
ال x وw معروفان، بينما y غير معروفة.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
أنا أموه حول الجزء الصعب كما ترون
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
اذاً كيف من الممكن أن نميز w،
08:56
the brain that can do such a thing?
184
524983
2187
الدماغ الذي يستطيع القيام بشيء كهذا؟
08:59
How would we ever learn such a model?
185
527194
1834
كيف يمكننا تعلم هذا النموذج؟
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
إذاً عملية التعليم هذه، لحل w
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
اذا ما كنا نقوم بهذا بمساعدة
المعادلة البسيطة
المعادلة البسيطة
09:07
in which we think about these as numbers,
188
535346
2000
والتي نعامل فيها هذه الأحرف كأرقام،
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
نستطيع فهم ذلك تماماً 6 = 2 x w
09:12
well, we divide by two and we're done.
190
540081
3312
حسناً نقسم على اثنين وانتهينا.
09:16
The problem is with this operator.
191
544001
2220
المشكلة ستكون بهذه العملية.
09:18
So, division --
192
546823
1151
اذاً، القسمة --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
استخدمنا القسمة ، لأنها عكس الضرب،
09:23
but as I've just said,
194
551143
1440
لكن كما قلت،
09:24
the multiplication is a bit of a lie here.
195
552607
2449
الضرب هو كذبة صغيرة هنا.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
هذه العملية معقدة للغاية، وهي
عملية غير خطية
عملية غير خطية
09:30
it has no inverse.
197
558430
1704
وليس لديها معكوس.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
اذاً ،علينا إيجاد طريقة لحل هذه المعادلة
09:35
without a division operator.
199
563332
2024
بدون عملية قسمة.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
والطريقة للقيام بذلك غير واضحة
نوعاً ما.
نوعاً ما.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
لنقل، دعونا نقوم بلعبة جبرية ما
09:42
and move the six over
to the right-hand side of the equation.
to the right-hand side of the equation.
202
570442
2906
ولننقل الرقم ستة الى الجانب اليميني
من المعادلة.
من المعادلة.
09:45
Now, we're still using multiplication.
203
573372
1826
الأن، مازلنا نستخدم عملية الضرب.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
وذلك الصفر -- لنفكر به كأنه خطأ ما.
بعبارة أخرى، إذا حلينا المعادلة ل w
بالطريقة الصحيحة،
بالطريقة الصحيحة،
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
09:53
then the error will be zero.
206
581818
1656
اذاً سيكون الخطأ صفراً.
09:55
And if we haven't gotten it quite right,
207
583498
1938
واذا لم نحلها حلاً صحيحاً،
09:57
the error will be greater than zero.
208
585460
1749
سيكون الخطأ أكبر من الصفر.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
الأن سوف نخمن حتى يكون الخطأ أصغر،
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
وهذا هو الشيء الذي تبرع فيه
أجهزة الحاسوب جداً.
أجهزة الحاسوب جداً.
10:05
So you've taken an initial guess:
211
593334
1593
اذاً، لناخذ تخميناً أولياً:
10:06
what if w = 0?
212
594951
1156
مائا لو w=0 ؟
10:08
Well, then the error is 6.
213
596131
1240
إذاً، الخطأ سيكون 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
ماذا لو W=1 ؟ إذاً الخطأ 4 .
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
ومن ثم يستطيع الحاسوب أن
يلعب (ماركو بولو)،
يلعب (ماركو بولو)،
10:13
and drive down the error close to zero.
216
601256
2367
حتى يقوم بإنقاص الخطأ الى الصفر.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
وبينما يفعل ذلك، فهو يحصل على قيمة
تقريبة متعاقبة ل w.
تقريبة متعاقبة ل w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
بالعادة ،لايصل الى هذه القيمة بسرعة
لكن بعد الكثير من الخطوات،
لكن بعد الكثير من الخطوات،
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
نصل لحوالي w = 2.999
وهي قيمة تقريبية كافية.
وهي قيمة تقريبية كافية.
10:28
And this is the learning process.
220
616302
1814
وهذه هي العملية التعليمية.
10:30
So remember that what's been going on here
221
618140
2730
اذاً تذكر ما كان يجري هنا
10:32
is that we've been taking
a lot of known x's and known y's
a lot of known x's and known y's
222
620894
4378
كنا نقوم باخذ الكثير من قيم x و y
المعلومة
المعلومة
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
ونقوم بحل w خلال عمليات متعاقبة.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
تماماً هي نفس الطريقة التي نتعلم بها.
10:44
We have many, many images as babies
225
632354
2230
تستصحب أذهاننا الكثير من صور فترة الطفولة
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
ويُقال لنا "هذا طائر،
ليس هذا طائراً."
ليس هذا طائراً."
10:49
And over time, through iteration,
227
637714
2098
ومع مرور الوقت، ومع التكرار،
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
نحل الw نقوم بالحل عن طريق
تلك الوصلات العصبية.
تلك الوصلات العصبية.
10:55
So now, we've held
x and w fixed to solve for y;
x and w fixed to solve for y;
229
643460
4086
اذاً الأن، لدينا x و y كقيم ثابتة
لكي نحل y ،
لكي نحل y ،
10:59
that's everyday, fast perception.
230
647570
1847
هذا ككل يوم، تصور سريع.
11:01
We figure out how we can solve for w,
231
649441
1763
نكتشف كيف نستطيع إيجاد الحل ل w،
11:03
that's learning, which is a lot harder,
232
651228
1903
ذلك هو التعلم، وهو الأكثر صعوبة،
11:05
because we need to do error minimization,
233
653155
1985
لأننا نحتاج إلى تصغير الخطأ،
11:07
using a lot of training examples.
234
655164
1687
باستخدام الكثير من أمثلة التعلم،
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
ومنذ حوالي السنة، أحد أعضاء
فريقنا (أليكس ماريفينسف)،
فريقنا (أليكس ماريفينسف)،
11:12
decided to experiment
with what happens if we try solving for x,
with what happens if we try solving for x,
236
660086
3550
قرر أن يجرب ماذا سيحدث إذا ما حاولنا
حل المعادلة لأجل x،
حل المعادلة لأجل x،
11:15
given a known w and a known y.
237
663660
2037
بإعطاء قيمة معلومة ل w و y .
11:18
In other words,
238
666124
1151
بعبارة أخرى،
11:19
you know that it's a bird,
239
667299
1352
أنت تعرف أنه طائر،
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
وتتمتع مسبقاً بشبكة عصبية دربتها
على أن الذي أمامك طائر،
على أن الذي أمامك طائر،
11:24
but what is the picture of a bird?
241
672002
2344
لكن ما الذي تبدو عليه صورة الطائر؟
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
اتضح أنه باستخدام نفس عملية
تقليل الخطأ،
تقليل الخطأ،
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
نستطيع فعل المثل عن طريق الشبكة المدربة
على التعرف على الطيور،
على التعرف على الطيور،
11:35
and the result turns out to be ...
244
683536
3388
واتضح أن النتيجة ستكون ...
11:42
a picture of birds.
245
690400
1305
صورة لطيور.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
هذه صورة لطائر تم توليدها كلياً
بواسطة شبكة عصبية
بواسطة شبكة عصبية
11:48
that was trained to recognize birds,
247
696575
1826
والتي دُربت لتتعرف على الطيور.
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
فقط بحل بالنسبة ل x بدل الحل بالنسبة ل y.
11:53
and doing that iteratively.
249
701987
1288
وبالقيام بتلك التكرارات.
11:55
Here's another fun example.
250
703732
1847
هنا مثال مسلي آخر.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
هذا العمل صنعه (مايك تايكو) من فريقنا،
12:01
which he calls "Animal Parade."
252
709064
2308
والذي يدعوه "موكب الحيوانات".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
ويذكرني قليلاً بأعمال (وليام كينتردوغ)
الفنية،
الفنية،
12:06
in which he makes sketches, rubs them out,
254
714296
2489
حيث يقوم برسم نماذج، ثم يقوم بتحريكها،
12:08
makes sketches, rubs them out,
255
716809
1460
يرسم النماذج، ويحركها،
12:10
and creates a movie this way.
256
718293
1398
ويصنع فلم بهذه الطريقة.
12:11
In this case,
257
719715
1151
في هذه الحالة،
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
مايقوم به (مايك) هو تغيير y عبر مساحة
متباينة من الحيوانات،
متباينة من الحيوانات،
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
ضمن شبكة مصصمة، لكي تميز وتعرف
12:18
different animals from each other.
260
726597
1810
الحيوانات المختلفة عن بعضها البعض.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
وستحصل على هذا الشكل الغريب
من حيوان لآخر،
من حيوان لآخر،
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
هو و(ألكس) حاولا تقليل
12:30
the y's to a space of only two dimensions,
263
738859
2759
ال y الى مساحة بعدين فقط،
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
مما سمح لهما بصنع خريطة
من مساحة كل الأشياء
من مساحة كل الأشياء
12:37
recognized by this network.
265
745104
1719
المُتعرف عليها من قبل هذه الشبكة.
12:38
Doing this kind of synthesis
266
746847
2023
بالقيام بهذا النوع من التركيب
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
أو توليد صورة من ذلك السطح الكامل،
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
بتغيير y عبر ذلك السطح، ستحصل على
خريطة نوعاً ما --
خريطة نوعاً ما --
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
خريطة بصرية من كل الأشياء
التي تستطيع الشبكة تمييزها.
التي تستطيع الشبكة تمييزها.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
الحيوانات كلها موجودة هنا، و"أرمانديلو"
في البقعة المناسبة.
في البقعة المناسبة.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
وتستطيع القيام بذلك مع أنواع آخرى
من الشبكات أيضاً.
من الشبكات أيضاً.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
هذه الشبكة مصممة لمعرفة الوجوه،
12:58
to distinguish one face from another.
273
766320
2000
لتميز كل وجه عن الآخر.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
وهنا نقوم بوضع ال y التي تقول "أنا،"
13:03
my own face parameters.
275
771617
1575
مقاييس وجهي الخاصة.
13:05
And when this thing solves for x,
276
773216
1706
وعندما تُحل هذه الشبكة بالنسبة لx،
13:06
it generates this rather crazy,
277
774946
2618
بالأحرى تولد هذا الجنون،
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
صورة تكعيبية، وسريالية، وغريبة لي
13:14
from multiple points of view at once.
279
782040
1806
من عدة وجهات نظر في نفس الوقت.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
والسبب في تكوينها من عدة وجهات
نظر في نفس الوقت
نظر في نفس الوقت
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
هو أن هذه الشبكة صُممت
لكي تتخلص من الغموض
لكي تتخلص من الغموض
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
الذي يلحق بالوجوه من وضعية تصوير لآخرى،
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
وبالنظر من وضع إضاءة الى آخر.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
إذاً حتى تقوم بهذا النوع من إعادة التكوين،
13:30
if you don't use some sort of guide image
285
798348
2304
اذا لم تستخدم نوع من الصور الدليلية
13:32
or guide statistics,
286
800676
1211
أو دليل إحصائي،
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
حينها ستحصل على قليل من الإرتباك
من نقاط مختلفة،
من نقاط مختلفة،
13:37
because it's ambiguous.
288
805700
1368
لأنه غامض.
13:39
This is what happens if Alex uses
his own face as a guide image
his own face as a guide image
289
807786
4223
هذا ما سيحصل إذا استخدم (أليكس)
وجهه كصورة دليلية
وجهه كصورة دليلية
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
خلال عملية إعادة تكوين وجهي.
13:48
So you can see it's not perfect.
291
816284
2328
سترون بأنها ليست مثالية.
13:50
There's still quite a lot of work to do
292
818636
1874
وما يزال هناك الكثير من العمل لنقوم به
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
لتحسين عملية إعادة التكوين هذه.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
لكن بدأنا بالحصول على شيء
يشبه الوجه المتماسك،
يشبه الوجه المتماسك،
13:57
rendered using my own face as a guide.
295
825862
2014
وذلك باستخدام وجهي كدليل.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
ليس عليك البدء بقماش فارغ
14:03
or with white noise.
297
831417
1156
أو ضوضاء بيضاء.
14:04
When you're solving for x,
298
832597
1304
بحل المعادلة بالنسبة لx
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
تستطيع البدء بx
والتي هي نفسها صورة ما مسبقاً.
والتي هي نفسها صورة ما مسبقاً.
14:09
That's what this little demonstration is.
300
837838
2556
هذا هو هذا المنظر الصغير.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
هذه شبكة مُصممة لكي تصنف
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
العديد من الأشياء المختلفة
أشخاص، أشكال، حيوانات ...
أشخاص، أشكال، حيوانات ...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
هنا، بدأنا بصورة للغيوم،
14:22
and as we optimize,
304
850324
1671
وبينما نقوم بعملية الاستمثال،
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
أساساً، هذه الشبكة تميز ما تراه
بين الغيوم.
بين الغيوم.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
وكلما استغرقت بالنظر الى هذا،
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
سترى المزيد من الأشياء بين الغيوم
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
تستطيع أيضاً استخدام شبكة الوجوه
لكي تهلوس الى هذا،
لكي تهلوس الى هذا،
14:38
and you get some pretty crazy stuff.
309
866403
1812
وستحصل على أشياء مجنونة جداً.
14:40
(Laughter)
310
868239
1150
(ضحك)
14:42
Or, Mike has done some other experiments
311
870401
2744
أو، أجرى (مايك) تجارب أخرى
14:45
in which he takes that cloud image,
312
873169
3905
حيث يأخذ صورة الغيمة هذه،
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
يهلوسها ويكبرها، يهلوسها ويكبرها،
يهلوسها ويكبرها.
يهلوسها ويكبرها.
14:52
And in this way,
314
880629
1151
وبهذه الطريقة،
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
نستطيع الحصول على حالة من الضباب
لهذه الشبكة كما أعتقد،
لهذه الشبكة كما أعتقد،
14:57
or a sort of free association,
316
885503
3680
أو نوعاً ما من المجمعات الحرة،
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
حيث تقوم الشبكات بتدمير نفسها.
15:03
So every image is now the basis for,
318
891458
3421
إذاً كل صورة هي الأساس لما
15:06
"What do I think I see next?
319
894903
1421
"ما الذي أعتقد أني سأراه بعدها؟
15:08
What do I think I see next?
What do I think I see next?"
What do I think I see next?"
320
896348
2803
مالذي أعتقد أني سأراه بعدها؟
مالذي أعتقد أني سأراه بعدها؟
مالذي أعتقد أني سأراه بعدها؟
15:11
I showed this for the first time in public
321
899487
2936
عرضت هذا لأول مرة على الملأ
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
لمجموعة خلال محاضرة في سياتل
تحت عوان (التعليم العالي) --
تحت عوان (التعليم العالي) --
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
كان هذا مباشرة بعد إجازة الماريجونا.
15:22
(Laughter)
324
910369
2415
(ضحك)
15:26
So I'd like to finish up quickly
325
914627
2104
إذاً، أريد أن أختم سريعاً
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
بالإشارة الى أن هذه التكنولوجيا غير مقيدة
15:33
I've shown you purely visual examples
because they're really fun to look at.
because they're really fun to look at.
327
921034
3665
لقد أريتكم أمثلة بصرية بحتة
لأنه من الممتع النظر اليها
لأنه من الممتع النظر اليها
15:36
It's not a purely visual technology.
328
924723
2451
لكنها ليست تقنية بصرية بحتة.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
الفنان المتعاون معنا، (روس غوردن)
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
قام بتجارب، تتضمن كاميرا تقوم بأخذ صورة،
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
ثم حاسوب في حقيبة ظهره يقوم بكتابة
قصيدة باستخدام الشبكات العصبية،
قصيدة باستخدام الشبكات العصبية،
15:49
based on the contents of the image.
332
937168
1944
وذلك استناداً على محتوى الصورة.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
وقد دُربت الشبكة العصبية الشعرية
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
على أشعار كثيرة من القرن العشرين.
15:56
And the poetry is, you know,
335
944365
1499
والشعر كما تعلمون،
15:57
I think, kind of not bad, actually.
336
945888
1914
كما أعتقد، هذا ليس سيئاً في الواقع.
15:59
(Laughter)
337
947826
1384
(ضحك)
16:01
In closing,
338
949234
1159
في الختام،
16:02
I think that per Michelangelo,
339
950417
2132
أعتقد أن (مايكل أنجيلو)،
16:04
I think he was right;
340
952573
1234
كان على حق،
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
الإدراك والإبداع مرتبطان ارتباطاً وثيقاً.
16:09
What we've just seen are neural networks
342
957611
2634
ما رأيناه للتو هو شبكات عصبية،
16:12
that are entirely trained to discriminate,
343
960269
2303
مُدربة كلياً لكي تميز،
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
أو للتعرف على الأشياء المختلفة
في هذا العالم،
في هذا العالم،
16:16
able to be run in reverse, to generate.
345
964862
3161
وقادرة على العمل في الإتجاه
المعاكس، لتولد.
المعاكس، لتولد.
16:20
One of the things that suggests to me
346
968047
1783
وأحد الأشياء التي اقترحت لي
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
ليس فقط ما رأه (مايكل أنجيلو)
16:24
the sculpture in the blocks of stone,
348
972276
2452
المنحوتة في قطعة الحجر،
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
لكن أي مخلوق، أي كائن، أي فضائي
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
يستطيع أن يقوم بأعمال حسية من هذا النوع
16:34
is also able to create
351
982095
1375
هو قادر أيضاً على التكوين
16:35
because it's exactly the same
machinery that's used in both cases.
machinery that's used in both cases.
352
983494
3224
لأنها نفس الآلية المستخدمة في الحالتين.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
كذلك، أعتقد أن الإدراك والإبداع
لا يعنيان بالضرورة
لا يعنيان بالضرورة
16:43
uniquely human.
354
991298
1210
إنسان على نحو مميز.
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
بدأنا باختراع حواسيب تقوم
بنفس هذه الأشياء.
بنفس هذه الأشياء.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
ومن المفترض أن لا يكون ذلك مفاجئاً؛
فالدماغ في الأساس حسابي.
فالدماغ في الأساس حسابي.
16:51
And finally,
357
999616
1657
وأخيراً،
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
بدأت الحوسبة كتدريب لتطويرألات ذكية.
16:57
It was very much modeled after the idea
359
1005989
2462
وتم تغييرها على نحو كبير بعد فكرة
17:00
of how could we make machines intelligent.
360
1008475
3013
كيف نستطيع جعل الآلات ذكية.
17:03
And we finally are starting to fulfill now
361
1011512
2162
وأخيراً، بدأنا نوفي
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
ببعض وعود أولئك الرعيل الأول،
17:08
of Turing and von Neumann
363
1016128
1713
ل(تورينج) و(فون نيومان)
17:09
and McCulloch and Pitts.
364
1017865
2265
و(مكولوتش) و(بيتس).
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
وأعتقد أن الحوسبة لا تتعلق فقط بالحساب
17:16
or playing Candy Crush or something.
366
1024276
2147
أو لعب الكاندي كراش أو شيء ما.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
من البداية، قمنا بأخذ أدمغتنا كنموذج.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
وأعطانا ذلك القابلية لفهم أدمغتنا
فهماً أفضل
فهماً أفضل
17:24
and to extend them.
369
1032342
1529
ومدّها.
17:26
Thank you very much.
370
1034627
1167
شكراً جزيلاً لكم.
17:27
(Applause)
371
1035818
5939
(تصفيق)
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.
Why you should listen
Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.
Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.
He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.
He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.
Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?
Blaise Agüera y Arcas | Speaker | TED.com