TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Cómo las computadoras aprenden a ser creativas
Filmed:
Readability: 4.4
1,934,067 views
Estamos en el límite de una nueva frontera en el arte y la creatividad y que no es humana. Blaise Agüera y Arcas, científico principal en Google, trabaja con redes neuronales para el desarrollo de la percepción computacional y el aprendizaje distribuido. En esta demo cautivadora muestra cómo las redes neuronales entrenadas para reconocer imágenes se pueden ejecutar a la inversa, para generarlas. Los resultados, espectaculares collages (¡y poemas!) alucinantes que desafían la categorización. "La percepción y la creatividad están conectados muy íntimamente", dice Agüera y Arcas. "Cualquier criatura, cualquier ser capaz de percibir es también capaz de crear".
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.
Coordino un equipo de Google que
trabaja en inteligencia artificial;
trabaja en inteligencia artificial;
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
es decir, en la disciplina de ingeniería
para fabricar computadoras y dispositivos
para fabricar computadoras y dispositivos
capaces de hacer algunas cosas
que hacen los cerebros.
que hacen los cerebros.
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Y esto hace que nos interese
mucho el cerebro real,
mucho el cerebro real,
la neurociencia
00:26
and neuroscience as well,
4
14562
1289
y, especialmente, nos interesan
las cosas que hace nuestro cerebro
las cosas que hace nuestro cerebro
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
que todavía son muy superiores
al rendimiento de las computadoras.
al rendimiento de las computadoras.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Históricamente, una de esas áreas
ha sido la percepción,
ha sido la percepción,
el proceso por el cual
las cosas que hay en el mundo,
las cosas que hay en el mundo,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
sonidos e imágenes,
00:43
sounds and images --
9
31905
1584
00:45
can turn into concepts in the mind.
10
33513
2178
pueden convertirse
en conceptos en la mente.
en conceptos en la mente.
00:48
This is essential for our own brains,
11
36235
2517
Esto es esencial
para nuestro propio cerebro,
para nuestro propio cerebro,
00:50
and it's also pretty useful on a computer.
12
38776
2464
y también es muy útil en una máquina.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Nuestro equipo hace algoritmos
de percepción computacional
de percepción computacional
que permiten encontrar imágenes en Google
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
01:00
based on what's in them.
15
48908
1397
en función de lo que hay en ellas.
01:03
The flip side of perception is creativity:
16
51594
3493
La otra cara de la percepción
es la creatividad:
es la creatividad:
convertir un concepto
en algo que hay en el mundo.
en algo que hay en el mundo.
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Así que en el último año, nuestro
trabajo en percepción computacional
trabajo en percepción computacional
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
ha conectado de forma inesperada
con el mundo de la creatividad
con el mundo de la creatividad
01:18
and machine art.
20
66635
1160
y el arte computacionales.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Creo que Miguel Ángel
tenía una visión aguda
tenía una visión aguda
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
en esta doble relación
entre la percepción y la creatividad.
entre la percepción y la creatividad.
01:28
This is a famous quote of his:
23
76023
2006
Esta es una de sus célebres citas:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Cada bloque de piedra tiene
una estatua en su interior,
una estatua en su interior,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
y el trabajo del escultor
es descubrirla".
es descubrirla".
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Pienso que Miguel Ángel quería decir
01:41
is that we create by perceiving,
27
89269
3180
que creamos al percibir,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
y que la propia percepción
es un acto de imaginación
es un acto de imaginación
01:47
and is the stuff of creativity.
29
95520
2461
y es la materia de la creatividad.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
El órgano que crea todo el pensamiento,
la percepción y la imaginación,
la percepción y la imaginación,
por supuesto, es el cerebro.
01:54
of course, is the brain.
31
102640
1588
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Y me gustaría empezar
con un poquito de historia
con un poquito de historia
sobre lo que sabemos del cerebro.
01:59
about what we know about brains.
33
107658
2302
Porque a diferencia de, por ejemplo,
el corazón o los intestinos,
el corazón o los intestinos,
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
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
realmente no se puede decir mucho
de un cerebro con solo mirarlo,
de un cerebro con solo mirarlo,
02:08
at least with the naked eye.
36
116134
1412
al menos a simple vista.
Los primeros anatomistas
que exploraron cerebros dieron
que exploraron cerebros dieron
02:09
The early anatomists who looked at brains
37
117983
2416
a las estructuras superficiales de esta
cosa todo tipo de nombres de fantasía,
cosa todo tipo de nombres de fantasía,
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
como hipocampo,
que significa "pequeño camarón".
que significa "pequeño camarón".
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Pero, por supuesto,
eso no nos dice mucho
eso no nos dice mucho
02:21
about what's actually going on inside.
41
129499
2318
de lo que realmente
sucede en el interior.
sucede en el interior.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
La primera persona que, creo,
desarrolló una visión
desarrolló una visión
02:28
into what was going on in the brain
43
136417
1930
de lo que ocurría en el cerebro
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
fue el gran neuroanatomista español,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
en el siglo XIX,
02:35
who used microscopy and special stains
46
143883
3755
que usó la microscopía
y tinciones especiales
y tinciones especiales
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
para poder marcar selectivamente
en un contraste muy alto
en un contraste muy alto
las células individuales en el cerebro,
02:43
the individual cells in the brain,
48
151856
2008
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
para empezar a entender sus morfologías.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Y estos son los tipos de dibujos
que hizo de las neuronas
que hizo de las neuronas
en el siglo XIX.
02:52
in the 19th century.
51
160887
1209
02:54
This is from a bird brain.
52
162120
1884
Esto es de un cerebro de un pájaro.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Y ya ven esta increíble variedad
de diferentes tipos de células,
de diferentes tipos de células,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
incluso la propia teoría celular
era bastante nueva en este momento.
era bastante nueva en este momento.
Y estas estructuras,
03:02
And these structures,
55
170568
1278
03:03
these cells that have these arborizations,
56
171870
2259
estas células que tienen
estas arborizaciones,
estas arborizaciones,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
estas ramas que pueden alcanzar
muy largas distancias,
muy largas distancias,
esto era muy novedoso en esa época.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Nos recuerdan, por supuesto,
a los cables.
a los cables.
Eso podría haber sido obvio
para algunos en el siglo XIX;
para algunos en el siglo XIX;
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
las revoluciones del cableado y de
la electricidad se estaban iniciando.
la electricidad se estaban iniciando.
03:21
But in many ways,
62
189964
1178
Pero en muchos sentidos,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
los dibujos de microanatomía
de Ramón y Cajal, como éste,
de Ramón y Cajal, como éste,
03:26
they're still in some ways unsurpassed.
64
194503
2332
todavía son,
en cierto modo, insuperables.
en cierto modo, insuperables.
Un siglo más tarde todavía
03:28
We're still more than a century later,
65
196859
1854
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
tratamos de terminar
el trabajo que empezó Ramón y Cajal.
el trabajo que empezó Ramón y Cajal.
Estos son los datos brutos
de nuestros colaboradores
de nuestros colaboradores
03:33
These are raw data from our collaborators
67
201586
3134
del Instituto Max Planck
de Neurociencia.
de Neurociencia.
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
Nuestros colaboradores
03:39
And what our collaborators have done
69
207649
1790
03:41
is to image little pieces of brain tissue.
70
209463
5001
han tomado imágenes de
trozos de tejido cerebral.
trozos de tejido cerebral.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
La muestra completa aquí
es de 1 mm cúbico de tamaño,
es de 1 mm cúbico de tamaño,
y les estoy mostrando
un trozo muy pequeño.
un trozo muy pequeño.
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
Esa barra de la izquierda es
de aproximadamente una micra.
de aproximadamente una micra.
03:52
That bar on the left is about one micron.
73
220483
2346
03:54
The structures you see are mitochondria
74
222853
2409
Las estructuras visibles
son las mitocondrias
son las mitocondrias
03:57
that are the size of bacteria.
75
225286
2044
del tamaño de las bacterias.
03:59
And these are consecutive slices
76
227354
1551
Y estos son cortes consecutivos
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
de este diminuto bloque de tejido.
04:04
Just for comparison's sake,
78
232101
2403
solo a efectos de comparación,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
el diámetro de una hebra promedio
de pelo es de unas 100 micras.
de pelo es de unas 100 micras.
Así que vemos algo mucho,
mucho más pequeño
mucho más pequeño
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
que una sola hebra de cabello.
04:12
than a single strand of hair.
81
240642
1398
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Y a partir de este tipo de rebanadas
de microscopía electrónica de serie,
de microscopía electrónica de serie,
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
se pueden hacer reconstrucciones en 3D
de las neuronas con este aspecto.
de las neuronas con este aspecto.
Son casi del mismo estilo
que las de Ramón y Cajal.
que las de Ramón y Cajal.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Solo se iluminaron unas pocas neuronas,
04:26
Only a few neurons lit up,
85
254332
1492
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
porque, de lo contrario,
no se podría ver nada aquí.
no se podría ver nada aquí.
Estaría tan lleno,
04:30
It would be so crowded,
87
258653
1312
tan pleno de estructuras,
04:31
so full of structure,
88
259989
1330
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
de cableado de todas las neuronas
conectadas una a otra.
conectadas una a otra.
Así Ramón y Cajal se adelantó
un poco a su tiempo,
un poco a su tiempo,
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
y al progreso
en la comprensión del cerebro
en la comprensión del cerebro
04:40
and progress on understanding the brain
91
268121
2555
avanzando lentamente
a lo largo de las siguientes décadas.
a lo largo de las siguientes décadas.
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
Pero sabíamos que las neuronas
usan electricidad
usan electricidad
04:45
But we knew that neurons used electricity,
93
273455
2853
y por la Segunda Guerra Mundial,
la tecnología avanzó lo suficiente
la tecnología avanzó lo suficiente
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
como para empezar a hacer experimentos
eléctricos reales con neuronas vivas
eléctricos reales con neuronas vivas
04:54
to better understand how they worked.
96
282122
2106
para comprender mejor cómo funcionaban.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
En ese mismo momento
se desarrollaban las computadoras
se desarrollaban las computadoras
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
con la idea de modelar el cerebro,
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
de "máquinas inteligentes",
como decía Alan Turing,
como decía Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
uno de los padres de la informática.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
Warren McCulloch y Walter Pitts
miraron el dibujo de Ramón y Cajal
miraron el dibujo de Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
de la corteza visual,
05:15
which I'm showing here.
103
303920
1562
que muestro aquí.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Esta es la corteza que procesa
las imágenes que provienen del ojo.
las imágenes que provienen del ojo.
Y para ellos, esto parecía
un diagrama de circuito.
un diagrama de circuito.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Y hay gran cantidad de detalles en el
diagrama de circuito de McCulloch y Pitts
diagrama de circuito de McCulloch y Pitts
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
05:30
that are not quite right.
107
318212
1352
que no están del todo bien.
Pero esta idea básica de que
05:31
But this basic idea
108
319588
1235
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
la corteza visual funciona como
una serie de elementos computacionales
una serie de elementos computacionales
que pasan una información de uno
al siguiente en cascada,
al siguiente en cascada,
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
05:39
is essentially correct.
111
327633
1602
es esencialmente correcta.
05:41
Let's talk for a moment
112
329259
2350
Hablemos por un momento
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
de lo que tendría que hacer un modelo
para procesar la información visual.
para procesar la información visual.
05:48
The basic task of perception
114
336228
2741
La tarea básica de la percepción
05:50
is to take an image like this one and say,
115
338993
4194
es tomar una imagen como esta y decir:
05:55
"That's a bird,"
116
343211
1176
"Eso es un pájaro"
que es algo muy simple
de ver con nuestro cerebro.
de ver con nuestro cerebro.
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
Pero todos Uds. deben entender
que para una computadora
que para una computadora
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
esto era prácticamente imposible
hace pocos años.
hace pocos años.
Con el paradigma
de la computación clásica
de la computación clásica
06:05
The classical computing paradigm
120
353865
1916
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
esta tarea no es fácil de hacer.
06:11
So what's going on between the pixels,
122
359366
2552
Entonces lo que pasa
entre los píxeles,
entre los píxeles,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
entre la imagen del ave
y la palabra "pájaro"
y la palabra "pájaro"
es esencialmente un conjunto
de neuronas conectadas entre sí
de neuronas conectadas entre sí
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
en una red neuronal,
06:20
in a neural network,
125
368832
1155
06:22
as I'm diagramming here.
126
370011
1223
como la que diagramo aquí.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Esta red neuronal podría ser biológica,
en nuestras cortezas visuales,
en nuestras cortezas visuales,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
o, en la actualidad, podemos
modelar este tipo de redes neuronales
en la computadora.
en la computadora.
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Y mostraré qué aspecto tienen.
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
Así que los píxeles se puede pensar
como una primera capa de neuronas,
como una primera capa de neuronas,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
y así es, de hecho,
como funciona el ojo,
como funciona el ojo,
06:39
that's the neurons in the retina.
133
387914
1663
eso son las neuronas de la retina.
06:41
And those feed forward
134
389601
1500
Y después avanzan
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
de una capa a la otra,
y luego a otra capa de neuronas,
y luego a otra capa de neuronas,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
todas conectadas
por sinapsis de diferentes pesos.
por sinapsis de diferentes pesos.
El comportamiento de esta red
06:49
The behavior of this network
137
397609
1335
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
se caracteriza por las fortalezas
de todas esas sinapsis.
de todas esas sinapsis.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Estas caracterizan las propiedades
computacionales de esta red.
computacionales de esta red.
Y al final
06:57
And at the end of the day,
140
405588
1470
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
una neurona o un pequeño grupo de neuronas
07:01
that light up, saying, "bird."
142
409553
1647
da la luz, diciendo, "pájaro".
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Ahora voy a representar esas tres cosas:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
los píxeles de entrada,
las sinapsis en la red neuronal,
las sinapsis en la red neuronal,
y el pájaro, la salida,
07:11
and bird, the output --
145
419700
1585
con tres variables: X, W e Y.
07:13
by three variables: x, w and y.
146
421309
3057
07:16
There are maybe a million or so x's --
147
424853
1811
Hay tal vez un millón o más de X,
un millón de píxeles en la imagen.
07:18
a million pixels in that image.
148
426688
1953
Hay miles de millones o billones de W,
07:20
There are billions or trillions of w's,
149
428665
2446
que representan los pesos de todas
estas sinapsis en la red neuronal.
estas sinapsis en la red neuronal.
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
Y hay un número muy pequeño de Y,
07:26
And there's a very small number of y's,
151
434580
1875
07:28
of outputs that that network has.
152
436479
1858
de salidas que tiene esa red.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Pájaro" son solo seis letras, ¿verdad?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Así que vamos a suponer
que esto es solo una fórmula simple,
que esto es solo una fórmula simple,
X "x" W = Y.
07:36
x "x" w = y.
155
444538
2163
Pongo la multiplicación entre comillas
07:38
I'm putting the times in scare quotes
156
446725
2036
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
porque lo que realmente pasa allí,
por supuesto,
por supuesto,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
es una serie muy complicada
de operaciones matemáticas.
de operaciones matemáticas.
07:47
That's one equation.
159
455172
1221
Esa es una ecuación.
Hay tres variables.
07:48
There are three variables.
160
456417
1672
Y todos sabemos que
si uno tiene una ecuación,
si uno tiene una ecuación,
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
puede resolver una variable
conociendo las otras dos.
conociendo las otras dos.
07:57
So the problem of inference,
163
465158
3380
Así que el problema de la inferencia,
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
es decir, averiguar que la imagen
de un pájaro es un pájaro,
de un pájaro es un pájaro,
es este:
08:03
is this one:
165
471459
1274
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
Y es la desconocida
y W y X las conocidas.
y W y X las conocidas.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Se conoce la red neuronal,
y también los píxeles.
y también los píxeles.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Como se puede ver, en realidad, es
un problema relativamente sencillo.
un problema relativamente sencillo.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Se multiplica dos veces tres y ya está.
Les voy a mostrar
una red neuronal artificial
una red neuronal artificial
08:16
I'll show you an artificial neural network
170
484862
2123
que hemos construido recientemente,
haciendo exactamente eso.
haciendo exactamente eso.
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Esto se ejecuta en tiempo real
en un teléfono móvil,
en un teléfono móvil,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
y eso es, por supuesto,
sorprendente en sí mismo,
sorprendente en sí mismo,
que los teléfonos móviles puedan hacer
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
tantos millones y billones
de operaciones por segundo.
de operaciones por segundo.
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
Lo que ven es un teléfono
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
que analiza imágenes
de un pájaro una tras otra.
de un pájaro una tras otra.
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
Y, de hecho, no solo dice:
"Sí, es un pájaro"
"Sí, es un pájaro"
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
sino que identifica las especies
de pájaros con una red de este tipo.
de pájaros con una red de este tipo.
08:44
So in that picture,
180
512890
1826
Así que en ese cuadro,
la X y la W son conocidas,
y la Y es la desconocida.
y la Y es la desconocida.
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
Estoy pasando por alto
la parte más difícil, por supuesto,
la parte más difícil, por supuesto,
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
que es cómo demonios
podemos averiguar la W,
podemos averiguar la W,
cómo puede el cerebro hacerlo.
08:56
the brain that can do such a thing?
184
524983
2187
¿Cómo podríamos llegar a aprender
un modelo de este tipo?
un modelo de este tipo?
08:59
How would we ever learn such a model?
185
527194
1834
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Este proceso de aprendizaje
de despejar W,
de despejar W,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
si lo hacemos con una simple ecuación
09:07
in which we think about these as numbers,
188
535346
2000
en la que pensamos en ellos como números,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
sabemos exactamente
cómo hacer eso: 6 = 2 x W,
cómo hacer eso: 6 = 2 x W,
09:12
well, we divide by two and we're done.
190
540081
3312
así, se divide por dos y ya está.
09:16
The problem is with this operator.
191
544001
2220
El problema estriba en este operador.
Por lo tanto, la división,
09:18
So, division --
192
546823
1151
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
hemos usado la división
por ser la inversa de la multiplicación,
por ser la inversa de la multiplicación,
09:23
but as I've just said,
194
551143
1440
pero, como acabo de decir,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
la multiplicación tiene
algo de mentira aquí.
algo de mentira aquí.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Esta es una operación muy complicada,
nada lineal;
nada lineal;
09:30
it has no inverse.
197
558430
1704
que no tiene inversa.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Así que tenemos que encontrar
una manera de resolver la ecuación
una manera de resolver la ecuación
09:35
without a division operator.
199
563332
2024
sin un operador de división.
Y la manera de hacerlo
es bastante sencilla.
es bastante sencilla.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Vamos a aplicar
un pequeño truco de álgebra,
un pequeño truco de álgebra,
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
y a mover el 6 hacia
el lado derecho de la ecuación.
el lado derecho de la ecuación.
09:45
Now, we're still using multiplication.
203
573372
1826
Ahora, todavía usamos la multiplicación.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Y el cero... pensémoslo como un error.
Es decir, si hemos resuelto la W
de la manera correcta,
de la manera correcta,
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
luego el error será el cero.
09:53
then the error will be zero.
206
581818
1656
09:55
And if we haven't gotten it quite right,
207
583498
1938
Y si no lo hacemos del todo bien,
09:57
the error will be greater than zero.
208
585460
1749
el error será mayor que cero.
Así que ahora solo podemos hacer
conjeturas para minimizar el error,
conjeturas para minimizar el error,
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
y en eso las computadoras son muy buenas.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
Así que ya hemos hecho
una aproximación inicial:
una aproximación inicial:
10:05
So you've taken an initial guess:
211
593334
1593
10:06
what if w = 0?
212
594951
1156
¿Y si W = 0?
10:08
Well, then the error is 6.
213
596131
1240
Entonces el error es 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
¿Qué pasa si W = 1?
El error es 4.
El error es 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
Y luego, la computadora puede correr
una especie de Marco Polo,
una especie de Marco Polo,
10:13
and drive down the error close to zero.
216
601256
2367
y reducir el error cercano a cero.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
A medida que lo hace, se logra
aproximaciones sucesivas a W.
aproximaciones sucesivas a W.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Por lo general, nunca llega allí,
pero tras una docena de pasos,
pero tras una docena de pasos,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
estamos en W = 2.999,
que es lo suficientemente aproximado.
que es lo suficientemente aproximado.
10:28
And this is the learning process.
220
616302
1814
Y este es el proceso de aprendizaje.
10:30
So remember that what's been going on here
221
618140
2730
Así que recuerden que
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
hemos tomado muchas X e Y conocidas
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
para resolver la W por medio
de un proceso iterativo.
de un proceso iterativo.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
De la misma manera como
lo hacemos en nuestro propio aprendizaje.
lo hacemos en nuestro propio aprendizaje.
10:44
We have many, many images as babies
225
632354
2230
Tenemos muchas, muchas imágenes de bebés
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
y nos dicen: "Esto es un pájaro,
esto no es un pájaro".
esto no es un pájaro".
10:49
And over time, through iteration,
227
637714
2098
Y con el tiempo, a través de iteración,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
resolvemos W, lo resolvemos
para esas conexiones neuronales.
para esas conexiones neuronales.
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
Así que ahora ya tenemos despejada la X,
y la W para resolver Y;
y la W para resolver Y;
10:59
that's everyday, fast perception.
230
647570
1847
eso todos los días, percepción rápida.
11:01
We figure out how we can solve for w,
231
649441
1763
Entendemos cómo podemos resolver W,
11:03
that's learning, which is a lot harder,
232
651228
1903
esto es aprendizaje,
que es mucho más difícil,
que es mucho más difícil,
11:05
because we need to do error minimization,
233
653155
1985
porque tenemos que minimizar errores,
11:07
using a lot of training examples.
234
655164
1687
usando mucho ejemplos
para el entrenamiento.
para el entrenamiento.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Y hace un año, Alex Mordvintsev,
de nuestro equipo,
de nuestro equipo,
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
decidió experimentar
qué sucede si intentamos resolver X,
qué sucede si intentamos resolver X,
11:15
given a known w and a known y.
237
663660
2037
con una W e Y conocidas.
11:18
In other words,
238
666124
1151
En otras palabras,
11:19
you know that it's a bird,
239
667299
1352
se sabe que es un pájaro,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
y se cuenta con una red neuronal
entrenada en aves,
entrenada en aves,
11:24
but what is the picture of a bird?
241
672002
2344
pero ¿y la imagen de un pájaro?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Usando el mismo procedimiento
de minimización de errores,
de minimización de errores,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
uno puede hacer eso con la red entrenada
para reconocer aves,
para reconocer aves,
11:35
and the result turns out to be ...
244
683536
3388
y el resultado es...
11:42
a picture of birds.
245
690400
1305
una imagen de aves.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Esta es una imagen de aves generada
en su totalidad por una red neuronal
en su totalidad por una red neuronal
11:48
that was trained to recognize birds,
247
696575
1826
entrenada para reconocer aves,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
simplemente resolviendo X,
en lugar de resolver Y,
en lugar de resolver Y,
11:53
and doing that iteratively.
249
701987
1288
haciéndolo de forma iterativa.
11:55
Here's another fun example.
250
703732
1847
He aquí otro ejemplo divertido.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Este fue un trabajo realizado
por Mike Tyka en nuestro grupo,
por Mike Tyka en nuestro grupo,
12:01
which he calls "Animal Parade."
252
709064
2308
llamado "animal del desfile".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Me recuerda algo a las obras
de arte de William Kentridge,
de arte de William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
donde él hace bocetos, los borra,
12:08
makes sketches, rubs them out,
255
716809
1460
hace bocetos, los borra
12:10
and creates a movie this way.
256
718293
1398
y crea una película de esta manera.
12:11
In this case,
257
719715
1151
En este caso, Mike
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
varía Y sobre el espacio
de diferentes animales,
de diferentes animales,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
en una red diseñada
para reconocer y distinguir
para reconocer y distinguir
12:18
different animals from each other.
260
726597
1810
animales diferentes unos de otros.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Y se obtiene esta extraña metamorfosis
de un animal a la Escher.
de un animal a la Escher.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Aquí él y Alex han intentado reducir
12:30
the y's to a space of only two dimensions,
263
738859
2759
las Y a un espacio
de solo dos dimensiones,
de solo dos dimensiones,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
logrando un mapa
fuera del espacio de todas las cosas
fuera del espacio de todas las cosas
12:37
recognized by this network.
265
745104
1719
reconocido por esta red.
12:38
Doing this kind of synthesis
266
746847
2023
Realizar este tipo de síntesis
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
o la generación de las imágenes
sobre toda la superficie,
sobre toda la superficie,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
variando Y sobre la superficie,
se hace una especie de mapa,
se hace una especie de mapa,
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
un mapa visual de todas las cosas
que la red sabe reconocer.
que la red sabe reconocer.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Los animales están todos aquí;
el armadillo está justo aquí.
el armadillo está justo aquí.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Se puede hacer esto
con otros tipos de redes.
con otros tipos de redes.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Esta es una red diseñada
para reconocer caras,
para reconocer caras,
12:58
to distinguish one face from another.
273
766320
2000
para distinguir una cara de otra.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Y aquí ponemos en Y una que dice "yo",
13:03
my own face parameters.
275
771617
1575
mis propios parámetros cara.
13:05
And when this thing solves for x,
276
773216
1706
Y cuando esto resuelve X,
13:06
it generates this rather crazy,
277
774946
2618
genera esta imagen de mí,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
alocada, tipo cubista, psicodélica,
como un cuadro surrealista,
como un cuadro surrealista,
13:14
from multiple points of view at once.
279
782040
1806
desde múltiples puntos de vista a la vez.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Aparecen múltiples puntos
de vista a la vez
de vista a la vez
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
porque la red está diseñada
para descartar la ambigüedad
para descartar la ambigüedad
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
de una cara en una postura u otra,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
con un tipo de luz, u otro.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Al hacer este tipo de reconstrucción,
13:30
if you don't use some sort of guide image
285
798348
2304
si no se usa alguna imagen de guía
13:32
or guide statistics,
286
800676
1211
o estadísticas de guía,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
entonces se obtiene una confusión
de diferentes puntos de vista,
de diferentes puntos de vista,
13:37
because it's ambiguous.
288
805700
1368
porque es ambigua.
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
Esto es lo que sucede si Alex usa
su propia cara imagen como guía
su propia cara imagen como guía
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
durante ese proceso de optimización
para reconstruir mi propia cara.
para reconstruir mi propia cara.
13:48
So you can see it's not perfect.
291
816284
2328
Así se puede ver que no es perfecto.
13:50
There's still quite a lot of work to do
292
818636
1874
Todavía hay mucho trabajo por hacer
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
sobre cómo mejorar
el proceso de optimización.
el proceso de optimización.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Pero ya se empieza a ver algo
más parecido a una cara coherente,
más parecido a una cara coherente,
13:57
rendered using my own face as a guide.
295
825862
2014
usando mi propia cara como guía.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
No tiene que comenzar
con un lienzo en blanco
con un lienzo en blanco
14:03
or with white noise.
297
831417
1156
o con ruido blanco.
14:04
When you're solving for x,
298
832597
1304
Cuando se está resolviendo X,
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
se puede comenzar con una X,
que en sí es ya una imagen.
que en sí es ya una imagen.
14:09
That's what this little demonstration is.
300
837838
2556
En eso consiste
esta pequeña demostración.
esta pequeña demostración.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Esta es una red diseñada para categorizar
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
todo objeto, estructuras
hechas por humanos, animales...
hechas por humanos, animales...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Aquí empezamos
con una imagen de las nubes,
con una imagen de las nubes,
14:22
and as we optimize,
304
850324
1671
y la optimizamos,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
básicamente, esta red averigua
qué se ve en las nubes.
qué se ve en las nubes.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Y cuanto más tiempo uno pasa mirando,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
más cosas también se verán
en las nubes.
en las nubes.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
También es posible usar la red
para alucinar,
para alucinar,
14:38
and you get some pretty crazy stuff.
309
866403
1812
obteniendo cosas bastante locas.
14:40
(Laughter)
310
868239
1150
(Risas)
14:42
Or, Mike has done some other experiments
311
870401
2744
O, Mike ha hecho otros experimentos
14:45
in which he takes that cloud image,
312
873169
3905
donde se detiene la imagen de la nube,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
la alucina, la amplía,
la alucina, la amplía...
la alucina, la amplía...
14:52
And in this way,
314
880629
1151
Y de esta manera,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
se obtiene una especie
de estado de fuga de la red, supongo,
de estado de fuga de la red, supongo,
14:57
or a sort of free association,
316
885503
3680
o una especie de asociación libre,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
en el que la red se come su propia cola.
15:03
So every image is now the basis for,
318
891458
3421
Así que cada imagen es ahora la base para
15:06
"What do I think I see next?
319
894903
1421
"¿Qué pienso que veré ahora?
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
¿Qué pienso que veré ahora?
¿Qué pienso que veré ahora?"
¿Qué pienso que veré ahora?"
15:11
I showed this for the first time in public
321
899487
2936
Mostré esto por primera vez en público
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
a un grupo en una conferencia en
Seattle llamada "Educación Superior",
Seattle llamada "Educación Superior",
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
esto fue justo después de que
la marihuana fuera legalizada.
la marihuana fuera legalizada.
15:22
(Laughter)
324
910369
2415
(Risas)
15:26
So I'd like to finish up quickly
325
914627
2104
Así que me gustaría
terminar rápidamente
terminar rápidamente
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
con solo señalar
que esta tecnología no está limitada.
que esta tecnología no está limitada.
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
He mostrado ejemplos puramente visuales
porque son muy divertidos.
porque son muy divertidos.
15:36
It's not a purely visual technology.
328
924723
2451
Pero no es una tecnología
puramente visual.
puramente visual.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Nuestro artista colaborador,
Ross Goodwin,
Ross Goodwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
tiene experimentos que implican
a una cámara tomando una foto,
a una cámara tomando una foto,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
y luego una computadora en su mochila,
escribe un poema usando redes neuronales,
escribe un poema usando redes neuronales,
15:49
based on the contents of the image.
332
937168
1944
basado en el contenido de la imagen.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Y que la red neuronal de poesía
ha sido entrenada
ha sido entrenada
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
en un gran corpus de poesía del siglo XX.
15:56
And the poetry is, you know,
335
944365
1499
Y la poesía es, ya saben,
15:57
I think, kind of not bad, actually.
336
945888
1914
creo que no está tan mal, en realidad.
15:59
(Laughter)
337
947826
1384
(Risas)
16:01
In closing,
338
949234
1159
Para concluir,
16:02
I think that per Michelangelo,
339
950417
2132
creo que Miguel Ángel
16:04
I think he was right;
340
952573
1234
tenía razón;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
la percepción y la creatividad
están conectadas muy íntimamente.
están conectadas muy íntimamente.
16:09
What we've just seen are neural networks
342
957611
2634
Acabamos de ver redes neuronales
16:12
that are entirely trained to discriminate,
343
960269
2303
totalmente capacitadas para discriminar,
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
o para reconocer
cosas diferentes en el mundo,
cosas diferentes en el mundo,
16:16
able to be run in reverse, to generate.
345
964862
3161
que pueden ejecutarse a la inversa,
para generar nuevas cosas.
para generar nuevas cosas.
16:20
One of the things that suggests to me
346
968047
1783
Algo que me sugiere esto
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
no es solo que Miguel Ángel
realmente vio
realmente vio
16:24
the sculpture in the blocks of stone,
348
972276
2452
la escultura en los bloques de piedra,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
sino que cualquier criatura,
cualquier ser, cualquier alienígena
cualquier ser, cualquier alienígena
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
que es capaz de percibir
actos de ese tipo
actos de ese tipo
16:34
is also able to create
351
982095
1375
también es capaz de crear
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
porque en ambos casos
se usa la misma maquinaria.
se usa la misma maquinaria.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Además, creo que la percepción
y la creatividad no son absolutamente
y la creatividad no son absolutamente
16:43
uniquely human.
354
991298
1210
únicamente humanas.
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
Ya tenemos modelos computacionales
que pueden hacer exactamente estas cosas.
que pueden hacer exactamente estas cosas.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Y que no debería ser sorprendente;
el cerebro es computacional.
el cerebro es computacional.
16:51
And finally,
357
999616
1657
Y, finalmente,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
la computación empezó como un ejercicio
de diseño de máquinas inteligentes.
de diseño de máquinas inteligentes.
16:57
It was very much modeled after the idea
359
1005989
2462
Fue modelada siguiendo la idea
17:00
of how could we make machines intelligent.
360
1008475
3013
de cómo podríamos hacer
máquinas inteligentes.
máquinas inteligentes.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Y, finalmente, se están
empezando a cumplir
empezando a cumplir
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
algunas de las promesas
de aquellos pioneros,
de aquellos pioneros,
17:08
of Turing and von Neumann
363
1016128
1713
como Turing, von Neumann
17:09
and McCulloch and Pitts.
364
1017865
2265
McCulloch y Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Y creo que la informática
no es solo contabilidad
no es solo contabilidad
17:16
or playing Candy Crush or something.
366
1024276
2147
o jugar al Candy Crush y esas cosas.
Desde el principio, se diseñó
siguiendo el modelo de nuestra mente.
siguiendo el modelo de nuestra mente.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Y eso nos da la capacidad de comprender
mejor nuestra propia mente
mejor nuestra propia mente
17:24
and to extend them.
369
1032342
1529
y de ampliarla.
17:26
Thank you very much.
370
1034627
1167
Muchas gracias.
17:27
(Applause)
371
1035818
5939
(Aplausos)
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