TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Filmed:
Readability: 4.4
1,934,067 views
We're on the edge of a new frontier in art and creativity -- and it's not human. Blaise Agüera y Arcas, principal scientist at Google, works with deep neural networks for machine perception and distributed learning. In this captivating demo, he shows how neural nets trained to recognize images can be run in reverse, to generate them. The results: spectacular, hallucinatory collages (and poems!) that defy categorization. "Perception and creativity are very intimately connected," Agüera y Arcas says. "Any creature, any being that is able to do perceptual acts is also able to create."
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.
Chez Google, l'équipe que je dirige
travaille sur l'intelligence artificielle,
travaille sur l'intelligence artificielle,
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
c'est-à-dire à créer
des ordinateurs et des appareils
des ordinateurs et des appareils
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
capables de faire une partie
de ce que fait le cerveau.
de ce que fait le cerveau.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Nous sommes donc très intéressés
par les vrais cerveaux
par les vrais cerveaux
ainsi que la neuroscience,
00:26
and neuroscience as well,
4
14562
1289
en particulier les choses
que nos cerveaux font
que nos cerveaux font
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
avec une performance bien supérieure
à celle des ordinateurs.
à celle des ordinateurs.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Historiquement, un de ces domaines
est la perception,
est la perception,
le processus permettant
aux choses du monde,
aux choses du monde,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
les sons et les images,
00:43
sounds and images --
9
31905
1584
de devenir des concepts dans notre esprit.
00:45
can turn into concepts in the mind.
10
33513
2178
00:48
This is essential for our own brains,
11
36235
2517
C'est essentiel pour nos propres cerveaux
00:50
and it's also pretty useful on a computer.
12
38776
2464
et est très utile pour un ordinateur.
Les algorithmes de perception
des machines, comme ceux de mon équipe,
des machines, comme ceux de mon équipe,
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
nous permettent de rechercher
des images sur Google
des images sur 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
selon ce qu'elles représentent.
01:03
The flip side of perception is creativity:
16
51594
3493
Le revers de la perception
est la créativité :
est la créativité :
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
transformer un concept
en un objet du monde extérieur.
en un objet du monde extérieur.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Au cours de l'année, notre travail
sur la perception des machines
sur la perception des machines
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
a été lié, de façon inattendue,
au monde de la créativité des machines
au monde de la créativité des machines
et de l'art des machines.
01:18
and machine art.
20
66635
1160
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Je pense que Michel-Ange
avait une vision perspicace
avait une vision perspicace
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
de cette double relation
entre la perception et la créativité.
entre la perception et la créativité.
01:28
This is a famous quote of his:
23
76023
2006
Voici une de ses citations connue :
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
« Chaque bloc de pierre
renferme une statue
renferme une statue
et c'est le rôle du sculpteur
de la découvrir. »
de la découvrir. »
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Je pense que ce que Michel-Ange
voulait exprimer
voulait exprimer
01:41
is that we create by perceiving,
27
89269
3180
c'est que nous créons
ce que nous perçevons
ce que nous perçevons
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
et que cette perception est elle-même
un acte d'imagination
un acte d'imagination
01:47
and is the stuff of creativity.
29
95520
2461
et est le produit de la créativité.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
L'organe qui pense et perçoit et imagine
01:54
of course, is the brain.
31
102640
1588
est, bien-sûr, le cerveau.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Et j'aimerais commencer
avec une brève histoire
avec une brève histoire
de ce que nous savons sur le cerveau.
01:59
about what we know about brains.
33
107658
2302
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Car, contrairement au cœur
ou aux intestins,
ou aux intestins,
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
on ne peut pas dire grand chose
sur le cerveau en le regardant,
sur le cerveau en le regardant,
02:08
at least with the naked eye.
36
116134
1412
tout du moins pas à l’œil nu.
02:09
The early anatomists who looked at brains
37
117983
2416
Les premiers anatomistes
qui ont étudié le cerveau
qui ont étudié le cerveau
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
ont donné aux structures superficielles
des tas de jolis noms
des tas de jolis noms
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
tels que l'hippocampe,
soit « petit champignon ».
soit « petit champignon ».
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Bien-sûr, ce genre de choses
ne nous dit pas
ne nous dit pas
ce qu'il se passe à l'intérieur.
02:21
about what's actually going on inside.
41
129499
2318
La première personne qui, à mon avis,
s'est fait une idée
s'est fait une idée
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
02:28
into what was going on in the brain
43
136417
1930
de ce qu'il se passait dans le cerveau
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
était le neuroanatomiste espagnol,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
au 19ème siècle.
02:35
who used microscopy and special stains
46
143883
3755
Il a utilisé la microscopie
et des colorants spéciaux
et des colorants spéciaux
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
qui pouvaient colorer
ou créer un fort contraste
ou créer un fort contraste
dans les différentes cellules du cerveau
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
afin de commencer
à comprendre leur morphologie.
à comprendre leur morphologie.
Il a fait ce genre de dessins
représentant les neurones
représentant les neurones
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
au 19ème siècle.
02:52
in the 19th century.
51
160887
1209
Ceci est un cerveau d'oiseau.
02:54
This is from a bird brain.
52
162120
1884
Vous voyez cette incroyable diversité
de type de cellules,
de type de cellules,
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
même la théorie cellulaire
était relativement nouvelle à l'époque.
était relativement nouvelle à l'époque.
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
03:02
And these structures,
55
170568
1278
Ces structures,
03:03
these cells that have these arborizations,
56
171870
2259
ces cellules avec ces arborisations,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
ces branches parcourant
de très grandes distances,
de très grandes distances,
tout cela était nouveau à l'époque.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Elles nous rappellent des câbles.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Au 19ème siècle, cela semblait
peut-être évident à certains :
peut-être évident à certains :
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
la révolution du câblage électrique
venait de commencer.
venait de commencer.
Mais de bien des façons,
03:21
But in many ways,
62
189964
1178
ces dessins micro-anatomiques
de Ramón y Cajal, comme celui-ci,
de Ramón y Cajal, comme celui-ci,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
03:26
they're still in some ways unsurpassed.
64
194503
2332
n'ont toujours pas été surpassés.
03:28
We're still more than a century later,
65
196859
1854
Plus d'un siècle plus tard,
nous essayons toujours de finir
le travail entamé par Ramón y Cajal.
le travail entamé par Ramón y Cajal.
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
03:33
These are raw data from our collaborators
67
201586
3134
Voici des données brutes
venant de nos collaborateurs
venant de nos collaborateurs
à l'Institut de Neuroscience Max Planck.
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
03:39
And what our collaborators have done
69
207649
1790
Nos collaborateurs ont imagé
03:41
is to image little pieces of brain tissue.
70
209463
5001
de petits morceaux de tissu cérébral.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
L'échantillon fait environ
un millimètre cube
un millimètre cube
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
et je vous en montre
un très petite portion.
un très petite portion.
03:52
That bar on the left is about one micron.
73
220483
2346
Le trait sur la gauche
fait environ un micron.
fait environ un micron.
Les structures que vous voyez
sont des mitochondries
sont des mitochondries
03:54
The structures you see are mitochondria
74
222853
2409
03:57
that are the size of bacteria.
75
225286
2044
faisant la taille d'une bactérie.
03:59
And these are consecutive slices
76
227354
1551
Voici des coupes consécutives
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
de ce très petit bloc de tissu.
04:04
Just for comparison's sake,
78
232101
2403
Si vous voulez comparer,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
le diamètre moyen d'un cheveu
est d'environ 100 microns.
est d'environ 100 microns.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Nous regardons quelque chose
de beaucoup plus petit qu'un cheveu.
de beaucoup plus petit qu'un cheveu.
04:12
than a single strand of hair.
81
240642
1398
Avec ce genre de coupes séquentielles
en microscopie électronique,
en microscopie électronique,
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
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
nous pouvons en faire des reconstructions
en 3D des neurones comme celle-ci.
en 3D des neurones comme celle-ci.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Cela ressemble à ce qu'a fait
Ramón y Cajal.
Ramón y Cajal.
04:26
Only a few neurons lit up,
85
254332
1492
Seuls quelques neurones s'allument,
sinon nous n'y verrions rien,
sinon nous n'y verrions rien,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
04:30
It would be so crowded,
87
258653
1312
Cela serait trop dense,
04:31
so full of structure,
88
259989
1330
trop rempli structures,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
de câbles connectant
les neurones entre eux.
les neurones entre eux.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal était en avance
pour son époque
pour son époque
04:40
and progress on understanding the brain
91
268121
2555
et les progrès faits
dans la compréhension du cerveau
dans la compréhension du cerveau
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
ont avancé lentement
au cours des décades suivantes.
au cours des décades suivantes.
04:45
But we knew that neurons used electricity,
93
273455
2853
Mais nous savions que les neurones
utilisaient l'électricité
utilisaient l'électricité
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
et, en 1945,
notre technologie était assez avancée
notre technologie était assez avancée
pour entamer de vraies
expériences électrique sur des neurones
expériences électrique sur des neurones
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
04:54
to better understand how they worked.
96
282122
2106
pour mieux comprendre leur fonctionnement.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
C'est au même moment
que les ordinateurs furent inventés,
que les ordinateurs furent inventés,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
dans l'idée de modéliser le cerveau ;
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
une « machine intelligente »,
comme disait Alan Turing,
comme disait Alan Turing,
un des pères de l'informatique.
05:07
one of the fathers of computer science.
100
295244
1991
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 et Walter Pitts
ont regardé les dessins que Ramón y Cajal
ont regardé les dessins que Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
avait fait du cortex visuel
05:15
which I'm showing here.
103
303920
1562
et qui sont présentés ici.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
C'est le cortex qui traite
les images venant de l’œil.
les images venant de l’œil.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Pour eux, cela ressemblait
à un schéma électrique.
à un schéma électrique.
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
Il y a de nombreux détails
dans leur schéma électrique
dans leur schéma électrique
05:30
that are not quite right.
107
318212
1352
qui ne sont pas exacts.
Mais l'idée de base
selon laquelle le cortex visuel
selon laquelle le cortex visuel
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
fonctionne comme une série
de composants électroniques
de composants électroniques
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
relayant l'information
à la cascade suivante
à la cascade suivante
est globalement correcte.
05:39
is essentially correct.
111
327633
1602
05:41
Let's talk for a moment
112
329259
2350
Considérons un instant
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
ce qu'un modèle de traitement
d'information visuelle ferait.
d'information visuelle ferait.
La tâche basique de perception
05:48
The basic task of perception
114
336228
2741
05:50
is to take an image like this one and say,
115
338993
4194
est de prendre une image
comme celle-ci et de dire :
comme celle-ci et de dire :
« c'est un oiseau »,
05:55
"That's a bird,"
116
343211
1176
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
ce qui est, pour nous, très simple à faire
grâce à nos cerveaux.
grâce à nos cerveaux.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Mais vous devriez tous comprendre
que pour un ordinateur
que pour un ordinateur
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
c'était quelque chose d'impossible
il y a quelques années.
il y a quelques années.
06:05
The classical computing paradigm
120
353865
1916
Le paradigme classique de l'informatique
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
ne permet pas d'accomplir
cette tâche simplement.
cette tâche simplement.
Ce qu'il se passe entre les pixels,
06:11
So what's going on between the pixels,
122
359366
2552
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
entre l'image de l'oiseau
et le mot « oiseau »,
et le mot « oiseau »,
c'est un ensemble
de neurones connectés entre eux
de neurones connectés entre eux
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
à travers un réseau neuronal,
comme représenté ici.
comme représenté ici.
06:20
in a neural network,
125
368832
1155
06:22
as I'm diagramming here.
126
370011
1223
Ce réseau neuronal peut être biologique,
comme dans nos cortex visuels
comme dans nos cortex visuels
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
ou, de nos jours, nous avons la capacité
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
de modéliser des réseaux neuronaux
en informatique.
en informatique.
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
Je vais vous montrer
ce à quoi cela ressemble.
ce à quoi cela ressemble.
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
Vous pouvez voir les pixels
comme la première couche de neurones,
comme la première couche de neurones,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
c'est ainsi que l’œil fonctionne :
ce sont les neurones dans la rétine.
06:39
that's the neurons in the retina.
133
387914
1663
06:41
And those feed forward
134
389601
1500
Ils transmettent l'information
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
couche après couche de neurones,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
tous connectés par des synapses
de différents poids.
de différents poids.
Le comportement de ce réseau
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
est caractérisé par les forces
de toutes ces synapses.
de toutes ces synapses.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Elles caractérisent les propriétés
informatiques de ce réseau.
informatiques de ce réseau.
Finalement,
06:57
And at the end of the day,
140
405588
1470
vous avez un neurone
ou un petit groupe de neurones
ou un petit groupe de neurones
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
07:01
that light up, saying, "bird."
142
409553
1647
qui s'allument et disent « oiseau ».
Je vais représenter ces trois choses :
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
les pixels en entrée et les synapses
du réseau neuronal,
du réseau neuronal,
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
et l'oiseau, la sortie,
07:11
and bird, the output --
145
419700
1585
avec trois variables : x, w et y.
07:13
by three variables: x, w and y.
146
421309
3057
Il y a peut-être un million de x :
07:16
There are maybe a million or so x's --
147
424853
1811
07:18
a million pixels in that image.
148
426688
1953
un million de pixels par image.
Il y a des milliards ou des billions de w
07:20
There are billions or trillions of w's,
149
428665
2446
qui représentent le poids de toutes
ces synapses du réseau neuronal.
ces synapses du réseau neuronal.
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
Et il y a très peu de y,
07:26
And there's a very small number of y's,
151
434580
1875
de sorties présentes dans le réseau.
07:28
of outputs that that network has.
152
436479
1858
07:30
"Bird" is only four letters, right?
153
438361
1749
« Oiseau » n'a que six lettres.
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Prétendons que la formule est simple :
x « fois » w = y.
07:36
x "x" w = y.
155
444538
2163
Je mets fois entre guillements
07:38
I'm putting the times in scare quotes
156
446725
2036
car ce qu'il se passe vraiment
est bien-sûr
est bien-sûr
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
une série complexe
d'opérations mathématiques.
d'opérations mathématiques.
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
C'est une équation.
07:47
That's one equation.
159
455172
1221
07:48
There are three variables.
160
456417
1672
Il y a trois variables.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Nous savons tous qu'avec une équation,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
vous pouvez trouver une variable
si vous connaissez les deux autres.
si vous connaissez les deux autres.
Le problème de l'inférence,
07:57
So the problem of inference,
163
465158
3380
c'est-à-dire trouver
que la photo de l'oiseau est un oiseau,
que la photo de l'oiseau est un oiseau,
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
est le suivant :
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 est l'inconnue et w et x sont connus.
Vous connaissez
le réseau neuronal et les pixels.
le réseau neuronal et les pixels.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Comme vous le voyez, c'est un problème
plutôt simple à résoudre.
plutôt simple à résoudre.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Vous multipliez deux par trois
et vous avez fini.
et vous avez fini.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Je vais vous montrer un réseau neuronal
08:16
I'll show you an artificial neural network
170
484862
2123
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
que nous avons créé récemment
et qui fait cela.
et qui fait cela.
Il tourne en temps réel
sur un téléphone portable,
sur un téléphone portable,
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
bien-sur, c'est génial en soi
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
que les portables puissent faire
des milliards et billions d'opérations
par seconde.
par seconde.
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
Vous regardez un téléphone
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
considérant à la suite
plusieurs images d'oiseaux
plusieurs images d'oiseaux
et ne disant pas seulement
que c'est un oiseau
que c'est un oiseau
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
mais identifiant l'espèce d'oiseau
avec un réseau de ce genre.
avec un réseau de ce genre.
08:44
So in that picture,
180
512890
1826
Dans cette image,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
le x et le w sont connus
et le y est l'inconnue.
et le y est l'inconnue.
Je fais abstraction
de la partie complexe, bien-sûr,
de la partie complexe, bien-sûr,
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
qui est : comment trouver le w,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
le cerveau est-il capable
d'une telle chose ?
d'une telle chose ?
08:56
the brain that can do such a thing?
184
524983
2187
Comment apprendre un tel modèle ?
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
Ce processus d'apprentissage,
de recherche du w,
de recherche du w,
si nous le faisons avec la simple équation
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
dans laquelle nous utilisons des nombres,
09:07
in which we think about these as numbers,
188
535346
2000
nous savons comment procéder : 6 = 2 x w,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
09:12
well, we divide by two and we're done.
190
540081
3312
il suffit de diviser par 2 et c'est fini.
Le problème est l'opérateur :
09:16
The problem is with this operator.
191
544001
2220
la division.
09:18
So, division --
192
546823
1151
Nous utilisons la division
qui est l'inverse de la multiplication
qui est l'inverse de la multiplication
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
mais, comme je l'ai dit,
09:23
but as I've just said,
194
551143
1440
nous ne faisons pas vraiment
une multiplication.
une multiplication.
09:24
the multiplication is a bit of a lie here.
195
552607
2449
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
C'est une opération très, très compliquée
et non-linéaire ;
et non-linéaire ;
09:30
it has no inverse.
197
558430
1704
elle n'a pas d'inverse.
Nous devons donc trouver un moyen
de résoudre l'équation
de résoudre l'équation
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
sans opérateur de division.
09:35
without a division operator.
199
563332
2024
La méthode pour cela est assez simple :
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
nous utilisons une ruse algébrique
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
et déplaçons le six
de l'autre côté de l'équation.
de l'autre côté de l'équation.
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
Il y a toujours une multiplication.
09:45
Now, we're still using multiplication.
203
573372
1826
Et ce zéro, voyons-le comme une erreur.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
En d'autres mots,
si nous résolvons bien w,
si nous résolvons bien w,
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
l'erreur sera nulle.
09:53
then the error will be zero.
206
581818
1656
Si nous n'avons pas totalement raison,
l'erreur sera plus grande que zéro.
l'erreur sera plus grande que zéro.
09:55
And if we haven't gotten it quite right,
207
583498
1938
09:57
the error will be greater than zero.
208
585460
1749
Nous pouvons maintenant faire
des suppositions et minimiser l'erreur,
des suppositions et minimiser l'erreur,
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
ce que les ordinateurs
savent très bien faire.
savent très bien faire.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
On fait une supposition :
10:05
So you've taken an initial guess:
211
593334
1593
et si w = 0 ? Alors, l'erreur est de 6.
10:06
what if w = 0?
212
594951
1156
Si w = 1 ? L'erreur est de 4.
10:08
Well, then the error is 6.
213
596131
1240
10:09
What if w = 1? The error is 4.
214
597395
1446
L'ordinateur peut alors
joueur à Marco Polo
joueur à Marco Polo
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
et atteindre une erreur proche de zéro.
10:13
and drive down the error close to zero.
216
601256
2367
Il fait cela par des approximations
successives de w.
successives de w.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Typiquement, il ne l'atteint jamais,
mais après une douzaine d'étapes,
mais après une douzaine d'étapes,
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
nous avons w = 2,999,
ce qui est assez proche.
ce qui est assez proche.
Voilà le processus d'apprentissage.
10:28
And this is the learning process.
220
616302
1814
10:30
So remember that what's been going on here
221
618140
2730
Souvenez-vous que ce que nous avons fait
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
c'est de prendre beaucoup
de x et de y connus
de x et de y connus
et de cherche le w au milieu
via un procédé itératif.
via un procédé itératif.
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
C'est exactement la même méthode que celle
par laquelle nous apprenons.
par laquelle nous apprenons.
Bébés, nous voyons de nombreuses images
10:44
We have many, many images as babies
225
632354
2230
et on nous dit : « C'est un oiseau ;
ce n'en est pas un ».
ce n'en est pas un ».
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
Avec le temps, grâce aux itérations,
10:49
And over time, through iteration,
227
637714
2098
nous trouvons w,
nous résolvons ces connexions neuronales.
nous résolvons ces connexions neuronales.
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
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
Nous avons fixés x et w et recherché y ;
c'est de la perception rapide, normale.
10:59
that's everyday, fast perception.
230
647570
1847
11:01
We figure out how we can solve for w,
231
649441
1763
Nous avons réussi à trouver w :
11:03
that's learning, which is a lot harder,
232
651228
1903
c'est de l'apprentissage, plus complexe
11:05
because we need to do error minimization,
233
653155
1985
car nous devons minimiser l'erreur
en pratiquant beaucoup d'exemple.
en pratiquant beaucoup d'exemple.
11:07
using a lot of training examples.
234
655164
1687
Il y a environ un an,
Alex Mordvintsev, de notre équipe,
Alex Mordvintsev, de notre équipe,
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
a décidé d'essayer de voir
ce qu'il se passe si nous cherchons x
ce qu'il se passe si nous cherchons x
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
11:15
given a known w and a known y.
237
663660
2037
avec pour données un w et un y connus.
En d'autres mots,
vous savez que c'est un oiseau
vous savez que c'est un oiseau
11:18
In other words,
238
666124
1151
11:19
you know that it's a bird,
239
667299
1352
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
et avez entraîné votre réseau neuronal
sur les oiseaux,
sur les oiseaux,
11:24
but what is the picture of a bird?
241
672002
2344
mais qu'est-ce qu'une image d'oiseau ?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Il s'avère qu'en utilisant la même
procédure de minimisation de l'erreur,
procédure de minimisation de l'erreur,
cela est possible avec le réseau
entraîné à reconnaître les oiseaux
entraîné à reconnaître les oiseaux
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
et le résultat s'avère être :
11:35
and the result turns out to be ...
244
683536
3388
une image d'oiseaux.
11:42
a picture of birds.
245
690400
1305
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
C'est une image d'oiseaux
entièrement générée par un réseau neuronal
entièrement générée par un réseau neuronal
entraîné à reconnaître les oiseaux,
11:48
that was trained to recognize birds,
247
696575
1826
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
simplement en cherchant x plutôt que y
11:53
and doing that iteratively.
249
701987
1288
et ce par itérations.
11:55
Here's another fun example.
250
703732
1847
Un autre exemple amusant :
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
ce travail a été fait
par Mike Tyka, de notre groupe,
par Mike Tyka, de notre groupe,
12:01
which he calls "Animal Parade."
252
709064
2308
et il l'a appelé « Parade Animale ».
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Cela me rappelle un peu
les œuvres de William Kentridge
les œuvres de William Kentridge
12:06
in which he makes sketches, rubs them out,
254
714296
2489
où il fait des croquis, les efface,
fait des croquis, les efface
et crée un film ainsi.
et crée un film ainsi.
12:08
makes sketches, rubs them out,
255
716809
1460
12:10
and creates a movie this way.
256
718293
1398
Dans ce cas, Mike fait varier y
sur différents animaux dans un réseau créé
sur différents animaux dans un réseau créé
12:11
In this case,
257
719715
1151
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
pour reconnaître et distinguer
divers animaux entre eux.
divers animaux entre eux.
12:18
different animals from each other.
260
726597
1810
Vous obtenez cette métamorphose étrange,
à la Escher, d'un animal à un autre.
à la Escher, d'un animal à un autre.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Ici, lui et Alex ont essayé de réduire
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
l'espace des y à seulement
deux dimensions,
deux dimensions,
12:30
the y's to a space of only two dimensions,
263
738859
2759
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
créant ainsi une carte
de l'espace de toutes les choses
de l'espace de toutes les choses
12:37
recognized by this network.
265
745104
1719
reconnues par le réseau.
En faisant ce genre de synthèse
ou génération d'images
ou génération d'images
12:38
Doing this kind of synthesis
266
746847
2023
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
sur toute cette surface,
en faisant varier y sur la surface,
vous créez une carte,
vous créez une carte,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
une carte visuelle de toutes les choses
que le réseau reconnaît.
que le réseau reconnaît.
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
Les animaux sont tous là :
le tatou est juste là.
le tatou est juste là.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Vous pouvez aussi le faire
avec d'autres réseaux.
avec d'autres réseaux.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Voici un réseau créé
pour reconnaître les visages,
pour reconnaître les visages,
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
pour distinguer différents visages.
12:58
to distinguish one face from another.
273
766320
2000
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Nous lui donnons un y : moi,
13:03
my own face parameters.
275
771617
1575
les paramètres de mon visage.
13:05
And when this thing solves for x,
276
773216
1706
Quand il cherche x,
13:06
it generates this rather crazy,
277
774946
2618
il génère cette image de moi
assez folle, cubiste,
surréelle et psychédélique
surréelle et psychédélique
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
avec plusieurs points de vue.
13:14
from multiple points of view at once.
279
782040
1806
La raison pour laquelle
il y a plusieurs points de vue
il y a plusieurs points de vue
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
est que le réseau est conçu
pour se débarrasser de l'ambiguïté
pour se débarrasser de l'ambiguïté
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
d'un visage pris
de tel ou tel point de vue,
de tel ou tel point de vue,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
regardé avec tel ou tel éclairage.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
En faisant cette reconstruction,
si vous n'utilisez pas d'image
ou de statistiques directrices,
ou de statistiques directrices,
13:30
if you don't use some sort of guide image
285
798348
2304
13:32
or guide statistics,
286
800676
1211
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
vous obtenez une confusion
de plusieurs points de vue
de plusieurs points de vue
13:37
because it's ambiguous.
288
805700
1368
car c'est ambiguë.
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
Voici ce qu'il se passe si Alex
utilise son visage comme ligne directrice
utilise son visage comme ligne directrice
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
durant le processus d'optimisation
de la reconstruction de mon visage.
de la reconstruction de mon visage.
13:48
So you can see it's not perfect.
291
816284
2328
Vous voyez que ce n'est pas parfait.
Il y a encore beaucoup de travail
13:50
There's still quite a lot of work to do
292
818636
1874
pour optimiser
ce processus d'optimisation.
ce processus d'optimisation.
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
Mais vous obtenez un visage plus cohérent
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
13:57
rendered using my own face as a guide.
295
825862
2014
en utilisant mon propre visage
comme guide.
comme guide.
Pas besoin de commencer
avec une toile vierge
avec une toile vierge
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
ou avec du bruit blanc.
14:03
or with white noise.
297
831417
1156
Quand vous cherchez x,
14:04
When you're solving for x,
298
832597
1304
vous pouvez commencer avec un x
qui est lui-même une autre image.
qui est lui-même une autre image.
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
14:09
That's what this little demonstration is.
300
837838
2556
C'est le cas dans cette démonstration.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
C'est un réseau conçu pour catégoriser
toutes sortes d'objets : structures
artificielles, animaux...
artificielles, animaux...
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
Nous commençons avec une image de nuages
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
et, en optimisant,
14:22
and as we optimize,
304
850324
1671
ce réseau détermine
ce qu'il voit dans les nuages.
ce qu'il voit dans les nuages.
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Et plus vous y passez de temps,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
plus vous verrez de choses
dans les nuages.
dans les nuages.
Vous pouvez utiliser le réseau entraîné
aux visages pour halluciner dessus
aux visages pour halluciner dessus
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
14:38
and you get some pretty crazy stuff.
309
866403
1812
et obtenir un truc assez fou.
14:40
(Laughter)
310
868239
1150
(Rires)
14:42
Or, Mike has done some other experiments
311
870401
2744
Sinon, Mike a fait des expériences
où il prend cette image de nuage,
14:45
in which he takes that cloud image,
312
873169
3905
hallucine, zoome, hallucine,
zoome, hallucine, zoome.
zoome, hallucine, zoome.
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
De cette façon,
14:52
And in this way,
314
880629
1151
vous obtenez une fugue dissociative
du réseau, je suppose,
du réseau, je suppose,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
14:57
or a sort of free association,
316
885503
3680
ou une sorte d'association libre,
dans laquelle le réseau se mord la queue.
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
15:03
So every image is now the basis for,
318
891458
3421
Chaque image est à la base de :
« Que vois-je ensuite ?
15:06
"What do I think I see next?
319
894903
1421
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
Que vois-je ensuite ?
Que vois-je ensuite ? »
Que vois-je ensuite ? »
J'ai présenté cette image
pour la première fois
pour la première fois
15:11
I showed this for the first time in public
321
899487
2936
à un groupe lors d'une conférence
à Seattle : « Enseignement Supérieur »,
à Seattle : « Enseignement Supérieur »,
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
juste après la légalisation
de la marijuana.
de la marijuana.
15:22
(Laughter)
324
910369
2415
(Rires)
15:26
So I'd like to finish up quickly
325
914627
2104
J'aimerais finir en faisant remarquer
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
que cette technologie n'est pas limitée.
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
Je vous ai montré des exemples purement
visuels car ils sont amusants à voir.
visuels car ils sont amusants à voir.
15:36
It's not a purely visual technology.
328
924723
2451
Cette technologie n'est pas
purement visuelle.
purement visuelle.
Notre collaborateur artistique,
Ross Goodwin,
Ross Goodwin,
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
a fait des expériences incluant
un appareil photo prenant une photo,
un appareil photo prenant une photo,
puis un ordinateur dans son sac à dos
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
écrit un poème
grâce aux réseaux de neurones,
grâce aux réseaux de neurones,
15:49
based on the contents of the image.
332
937168
1944
en se basant sur le contenu de l'image.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Ce réseau neuronal poétique a été entraîné
sur un large corpus
de poésie du 20ème siècle.
de poésie du 20ème siècle.
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
Et la poésie est,
je crois, pas trop mauvaise.
je crois, pas trop mauvaise.
15:56
And the poetry is, you know,
335
944365
1499
15:57
I think, kind of not bad, actually.
336
945888
1914
(Rires)
15:59
(Laughter)
337
947826
1384
16:01
In closing,
338
949234
1159
Pour finir,
16:02
I think that per Michelangelo,
339
950417
2132
je pense que Michel-Ange avait raison :
16:04
I think he was right;
340
952573
1234
la perception et la créativité
sont intimement liées.
sont intimement liées.
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Nous avons vu des réseaux neuronaux
16:09
What we've just seen are neural networks
342
957611
2634
16:12
that are entirely trained to discriminate,
343
960269
2303
entraînés à discriminer ou à reconnaître
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
différentes choses du monde
16:16
able to be run in reverse, to generate.
345
964862
3161
et capable de fonctionner à l'envers,
de générer.
de générer.
Une des choses qui me laissent penser
16:20
One of the things that suggests to me
346
968047
1783
que Michel-Ange n'a pas seulement vu
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
16:24
the sculpture in the blocks of stone,
348
972276
2452
la sculpture dans le bloc de pierre
mais aussi que toute créature,
tout être, tout extraterreste
tout être, tout extraterreste
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
qui est capable de faire
de telles actions perceptives
de telles actions perceptives
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
est aussi capable de créer
16:34
is also able to create
351
982095
1375
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
puisque c'est le même mécanisme
qui est utilisé dans les deux cas.
qui est utilisé dans les deux cas.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Je pense aussi que la perception
et la créativité ne sont aucunement
et la créativité ne sont aucunement
propres à l'humain.
16:43
uniquely human.
354
991298
1210
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
Des modèles informatiques
capables de ces mêmes choses apparaissent.
capables de ces mêmes choses apparaissent.
Et cela ne sera pas une surprise :
le cerveau est un modèle informatique.
le cerveau est un modèle informatique.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Et finalement,
16:51
And finally,
357
999616
1657
l'informatique a commencé
comme un exercice
comme un exercice
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
pour créer une machine intelligente.
16:57
It was very much modeled after the idea
359
1005989
2462
Elle a été modélisée selon l'idée
que nous pouvions rendre
des machines intelligentes.
des machines intelligentes.
17:00
of how could we make machines intelligent.
360
1008475
3013
17:03
And we finally are starting to fulfill now
361
1011512
2162
Aujourd'hui, nous commençons
enfin à accomplir
enfin à accomplir
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
certaines des promesses de ces pionniers :
17:08
of Turing and von Neumann
363
1016128
1713
de Turing à von Neumann
17:09
and McCulloch and Pitts.
364
1017865
2265
et McCulloch et Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Et je crois que l'informatique
n'est pas simplement compter
n'est pas simplement compter
17:16
or playing Candy Crush or something.
366
1024276
2147
ou jouer à Candy Crush et autres.
Dès le début, nous l'avons modélisée
selon nos cerveaux.
selon nos cerveaux.
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
Et elle nous donne la capacité
de mieux comprendre nos cerveaux
de mieux comprendre nos cerveaux
et de les étendre.
17:24
and to extend them.
369
1032342
1529
17:26
Thank you very much.
370
1034627
1167
Merci beaucoup.
17:27
(Applause)
371
1035818
5939
(Applaudissements)
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