TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Hogyan tanulnak a számítógépek alkotókészséget
Filmed:
Readability: 4.4
1,934,067 views
A művészet és az alkotókészség újabb határmezsgyéjén járunk, ez pedig nem emberi jellegű. Blaise Agüera y Arcas, a Google vezető kutatója a gépi észlelésre és elosztott tanulásra szolgáló mély neurális hálózatokkal foglalkozik. Lebilincselő előadásában bemutatja, hogy a neurális hálózatok miként tanulják meg képek fölismerését és az ellenkező irányú folyamatot: létrehozásukat. Az eredmény: látványos, hallucinációs kollázsok, sőt, versek is, amelyek dacolnak a műfaji osztályba sorolással. "Az észlelés és az alkotókészség szorosan összefügg" – mondja Agüera y Arcas. "Bármely teremtmény, lény, Földön kívüli, amely észlelésre képes, képes alkotásra is",
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.
A Google-nál a gépi intelligenciával
foglalkozó részleget vezetem.
foglalkozó részleget vezetem.
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
Ez a mérnöki terület számítógépeket
és készülékeket tesz alkalmassá arra,
és készülékeket tesz alkalmassá arra,
hogy az emberi agyéhoz hasonló
tevékenységet végezzenek.
tevékenységet végezzenek.
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
Ez sarkall bennünket arra,
hogy az aggyal
hogy az aggyal
00:26
and neuroscience as well,
4
14562
1289
és az idegtudománnyal foglalkozzunk,
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
különösen azzal, amiben agyunk egyelőre
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
jócskán fölülmúlja a számítógépet.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Történetileg az egyik ilyen terület
az érzékelés folyamata,
az érzékelés folyamata,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
amelyben a környezetünkben lévő dolgok
00:43
sounds and images --
9
31905
1584
– hangok és képek –
00:45
can turn into concepts in the mind.
10
33513
2178
agyunkban fogalommá alakulnak.
00:48
This is essential for our own brains,
11
36235
2517
Tudatunk számára ez nélkülözhetetlen,
00:50
and it's also pretty useful on a computer.
12
38776
2464
de igen hasznos a számítógépeknek is.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
A gépi érzékelés algoritmusai
– csoportunk ezen dolgozik –
– csoportunk ezen dolgozik –
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
teszik az önök Google Photoson
lévő fotóit kereshetővé annak alapján,
lévő fotóit kereshetővé annak alapján,
01:00
based on what's in them.
15
48908
1397
hogy mi látható rajtuk.
01:03
The flip side of perception is creativity:
16
51594
3493
Az érzékelés másik oldala
az alkotókészség:
az alkotókészség:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
az elképzelések valóra váltása.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
A gépi érzékeléssel végzett munkánk
2015-ben váratlanul
2015-ben váratlanul
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
hozzákapcsolódott a gépi alkotókészséghez
01:18
and machine art.
20
66635
1160
és a gépi művészethez.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Az hiszem, Michelangelo
nagyon is beleérzett
nagyon is beleérzett
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
az érzékelés és az alkotókészség
közötti kettős viszonyba.
közötti kettős viszonyba.
01:28
This is a famous quote of his:
23
76023
2006
Van egy híres mondása:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Minden kőtömb szobrot rejt a belsejében,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
és a szobrász dolga, hogy kiszabadítsa."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Azt hiszem, Michelangelo ezen azt értette,
01:41
is that we create by perceiving,
27
89269
3180
hogy érzékelés útján alkotunk,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
és az érzékelés nem más,
mint a képzelet folyamata
mint a képzelet folyamata
01:47
and is the stuff of creativity.
29
95520
2461
és az alkotókészség terméke.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
A gondolkodás, az érzékelés
és a képzelet irányítója
és a képzelet irányítója
01:54
of course, is the brain.
31
102640
1588
természetesen az agy.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Egy történeti áttekintéssel
szeretném kezdeni,
szeretném kezdeni,
01:59
about what we know about brains.
33
107658
2302
hogy mit tudunk az agyunkról.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Mert eltérően a szívtől és a belektől,
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
ránézésre nem sokat mondhatunk az agyról,
02:08
at least with the naked eye.
36
116134
1412
ha csupán szabad szemmel nézzük.
02:09
The early anatomists who looked at brains
37
117983
2416
Az agyat vizsgáló első anatómusok
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
a felszíni képleteknek
furcsa neveket adtak,
furcsa neveket adtak,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
pl. a hippokampusz csikóhalat jelent.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Persze a nevek nem sokat
árulnak el arról,
árulnak el arról,
02:21
about what's actually going on inside.
41
129499
2318
hogy mi zajlik belül.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Az első, aki valóban sokat tett azért,
02:28
into what was going on in the brain
43
136417
1930
hogy megtudjuk, mi történik az agyban,
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
Santiago Ramón y Cajal,
a nagy spanyol ideganatómus volt
a nagy spanyol ideganatómus volt
02:34
in the 19th century,
45
142315
1544
a 19. században.
02:35
who used microscopy and special stains
46
143883
3755
Mikroszkópot használt,
és különleges eljárást alkalmazott,
és különleges eljárást alkalmazott,
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
amellyel szelektíven tudta
megfesteni az egyes idegsejteket,
megfesteni az egyes idegsejteket,
02:43
the individual cells in the brain,
48
151856
2008
jó kontrasztot érve el a megjelenítésben,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
hogy alaktanuk érthetőbb legyen.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Ilyesféle képeket készített
az idegsejtekről
az idegsejtekről
02:52
in the 19th century.
51
160887
1209
a 19. században:
02:54
This is from a bird brain.
52
162120
1884
Ezt egy madár agyáról készült.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Látják, milyen hihetetlenül
változatosak a különféle sejtek;
változatosak a különféle sejtek;
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
ekkor még maga
a sejtelmélet is vadonatúj volt.
a sejtelmélet is vadonatúj volt.
03:02
And these structures,
55
170568
1278
Ezek a képletek,
03:03
these cells that have these arborizations,
56
171870
2259
ezek a dendritnyúlványok a sejteken,
ezek az ágacskák, amelyek igen
messze ki tudnak nyúlni,
messze ki tudnak nyúlni,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
03:08
this was very novel at the time.
58
176785
1616
akkoriban újdonságnak számítottak.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Vezetékekre emlékeztetnek.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Ez a 19. században némelyeknek
kézenfekvőnek tűnt:
kézenfekvőnek tűnt:
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
éppen folyamatban volt a vezetékek
és a villamosság forradalma.
és a villamosság forradalma.
03:21
But in many ways,
62
189964
1178
De több vonatkozásban
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
Ramón y Cajal mikroanatómiai rajzai,
03:26
they're still in some ways unsurpassed.
64
194503
2332
mint ez is, fölülmúlhatatlanok.
03:28
We're still more than a century later,
65
196859
1854
Még most, egy bő évszázaddal később is
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
csak törekszünk bevégezni
a Cajal által megkezdett munkát.
a Cajal által megkezdett munkát.
03:33
These are raw data from our collaborators
67
201586
3134
Ezek a nyers adatok itt partnereinktől,
a Max Planck Idegtudományi
Intézetből származnak.
Intézetből származnak.
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
Partnereink képet készítettek
03:41
is to image little pieces of brain tissue.
70
209463
5001
az agyszövet pirinyó részeiről.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Az itt látható minta
összességében is csupán 1 mm³,
összességében is csupán 1 mm³,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
én pedig ennek is
csak egy pici részét mutatom.
csak egy pici részét mutatom.
03:52
That bar on the left is about one micron.
73
220483
2346
A bal oldali vonás kb. 1 mikron.
03:54
The structures you see are mitochondria
74
222853
2409
Az itt látható képletek a mitokondriumok,
03:57
that are the size of bacteria.
75
225286
2044
ezek baktériumméretűek.
03:59
And these are consecutive slices
76
227354
1551
Ezek pedig a nagyon parányi szövetdarab
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
folytatólagos metszetei.
04:04
Just for comparison's sake,
78
232101
2403
Csak összevetésül:
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
egy átlagos hajszál átmérője
kb. 100 mikron.
kb. 100 mikron.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Ami szemünk előtt van,
az sokkal-sokkal kisebb,
az sokkal-sokkal kisebb,
04:12
than a single strand of hair.
81
240642
1398
mint a hajszál vastagsága.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Ha ezeknek az elektronmikroszkópos
metszeteknek a sorozatából
metszeteknek a sorozatából
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
3D-ben rekonstruáljuk az idegsejteket,
valami ilyet kapunk.
valami ilyet kapunk.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Ezek jellegükben hasonlítanak
Ramón y Cajal képeire.
Ramón y Cajal képeire.
04:26
Only a few neurons lit up,
85
254332
1492
Csak pár idegsejt van megvilágítva,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
különben nem látnánk semmit,
04:30
It would be so crowded,
87
258653
1312
olyan zsúfolt lenne a kép
04:31
so full of structure,
88
259989
1330
az egy-egy idegsejtet
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
a többivel összekötő vezetékgubanctól.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal egy kissé megelőzte korát;
04:40
and progress on understanding the brain
91
268121
2555
az agy megértésének folyamata
csak lassan haladt
csak lassan haladt
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
a következő évtizedek során.
Tudtuk, hogy az idegsejtek az
elektromosságot használják,
elektromosságot használják,
04:45
But we knew that neurons used electricity,
93
273455
2853
és a II. világháború idejére
technológiánk elég fejlett volt ahhoz,
technológiánk elég fejlett volt ahhoz,
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
hogy élő idegsejteken valódi
kísérleteket végezzünk
kísérleteket végezzünk
04:54
to better understand how they worked.
96
282122
2106
villamos árammal,
hogy működésüket megértsük.
hogy működésüket megértsük.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Ugyanebben az időben találták föl -
az agy működését alapul véve -
az agy működését alapul véve -
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
a számítógépet, avagy
az "értelmes szerkezetet",
az "értelmes szerkezetet",
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
ahogy Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
a számítástechnika egyik atyja nevezte,
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 és Walter Pitts
megvizsgálta
megvizsgálta
Cajalnak a látókéregről készített,
05:14
of visual cortex,
102
302579
1317
05:15
which I'm showing here.
103
303920
1562
itt látható rajzát.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Ez az agykéreg dolgozza föl
a szemünkből érkező képeket.
a szemünkből érkező képeket.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Számukra ez olyan volt,
mint egy kapcsolási rajz.
mint egy kapcsolási rajz.
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
Sok részlet McCulloch
és Pitts kapcsolási rajzán
és Pitts kapcsolási rajzán
05:30
that are not quite right.
107
318212
1352
nem teljesen pontos.
05:31
But this basic idea
108
319588
1235
De az alapelv,
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
hogy a látókéreg úgy működik,
mint számítási egységek sorozata,
mint számítási egységek sorozata,
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
amelyek egymásnak adják
tovább az információt,
tovább az információt,
05:39
is essentially correct.
111
327633
1602
alapvetően helyes.
05:41
Let's talk for a moment
112
329259
2350
Beszéljünk egy kicsit arról,
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
hogy mit kéne csinálnia egy képi
információt földolgozó modellnek.
információt földolgozó modellnek.
05:48
The basic task of perception
114
336228
2741
Az érzékelés fő feladata,
05:50
is to take an image like this one and say,
115
338993
4194
hogy rögzítse az ilyen képet,
és jelentse ki:
és jelentse ki:
05:55
"That's a bird,"
116
343211
1176
"ez egy madár",
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
ami agyunknak gyerekjáték.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
De mindannyiuknak tudnunk kell,
hogy a számítógép számára ez
hogy a számítógép számára ez
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
néhány éve megoldhatatlan feladat volt.
06:05
The classical computing paradigm
120
353865
1916
A klasszikus számítási paradigma alapján
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
ez nem egykönnyen megoldható feladat.
06:11
So what's going on between the pixels,
122
359366
2552
Ami a pixelek között történik,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
a madár képe és a "madár" szó között,
lényegében annyi,
lényegében annyi,
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
hogy az idegsejtek egy halmaza
összekapcsolódott egy ideghálózatban,
06:20
in a neural network,
125
368832
1155
06:22
as I'm diagramming here.
126
370011
1223
ahogy itt fölvázolom.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Ez lehet egy élő sejtekből álló
neuronhálózat a látókéregben,
neuronhálózat a látókéregben,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
vagy annak egy számítógépe modellje,
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
aminek elkészítésére ma már
kezdünk képesek lenni.
kezdünk képesek lenni.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Megmutatom, hogy néz ez ki.
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
A képpontok fölfoghatók
az idegsejtek első rétegeként,
az idegsejtek első rétegeként,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
és valóban így működik ez a szemben;
ezek a recehártyán lévő idegsejtek.
06:39
that's the neurons in the retina.
133
387914
1663
Aztán továbbadják a következő rétegnek,
06:41
And those feed forward
134
389601
1500
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
egyik a másiknak, egymás után,
mindegyik a következőnek,
mindegyik a következőnek,
ezek mind különböző súllyal szereplő
szinapszissal vannak összekötve.
szinapszissal vannak összekötve.
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
06:49
The behavior of this network
137
397609
1335
A hálózat viselkedését
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
a szinapszisok erőssége jellemzi.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Ezek írják le a hálózat
számítási tulajdonságait.
számítási tulajdonságait.
06:57
And at the end of the day,
140
405588
1470
A végeredmény
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
egy idegsejt, vagy sejtek kis csoportja,
07:01
that light up, saying, "bird."
142
409553
1647
amelyek fölvillannak,
és azt mondják: madár.
és azt mondják: madár.
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Ezt a három dolgot mutatom meg:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
a bemeneti képpontokat,
az ideghálózat szinapszisait,
az ideghálózat szinapszisait,
07:11
and bird, the output --
145
419700
1585
és a madarat, a kimenetet,
07:13
by three variables: x, w and y.
146
421309
3057
Három változó, az x, w és y segítségével.
07:16
There are maybe a million or so x's --
147
424853
1811
Talán milliónyi x,
07:18
a million pixels in that image.
148
426688
1953
milliónyi képpont van ezen a képen.
07:20
There are billions or trillions of w's,
149
428665
2446
Milliárdnyi vagy billiónyi w létezik,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
ami az ideghálózatban lévő
szinapszisok súlyát jellemzi.
szinapszisok súlyát jellemzi.
Az y-ok - a hálózati kimenetek - száma
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
viszont egy elég kis szám.
07:30
"Bird" is only four letters, right?
153
438361
1749
A "madár" csak öt betű, ugye?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Tegyünk úgy, mintha ez
az egyszerű képlet létezne:
az egyszerű képlet létezne:
07:36
x "x" w = y.
155
444538
2163
x "*" w = y
07:38
I'm putting the times in scare quotes
156
446725
2036
Idézőjelbe tettem a szorzásjelet,
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
mert persze ott egy sor
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
nagyon bonyolult matematikai művelet áll.
07:47
That's one equation.
159
455172
1221
Ez egy egyenlet.
07:48
There are three variables.
160
456417
1672
Három változója van.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Tudjuk, hogy ha van egy egyenletünk,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
megoldhatjuk az egyik változóra,
ha ismerjük a másik kettőt.
ha ismerjük a másik kettőt.
07:57
So the problem of inference,
163
465158
3380
A levezetés problémája,
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
azaz hogy kiderítsük,
hogy a madár képe egy madáré,
hogy a madár képe egy madáré,
08:03
is this one:
165
471459
1274
így foglalható össze:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
az y az ismeretlen, w és x ismert.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Ismerjük az ideghálózatot
és a képpontokat.
és a képpontokat.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Látható, hogy a feladat
viszonylag egyszerű.
viszonylag egyszerű.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Összeszorozzuk a kettőt
a hárommal, és kész.
a hárommal, és kész.
08:16
I'll show you an artificial neural network
170
484862
2123
Mutatok egy mesterséges ideghálózatot,
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
amit mostanában építettünk,
és ami pontosan ezt csinálja.
és ami pontosan ezt csinálja.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Valós időben működik mobilon,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
és az már önmagában is csodálatos,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
hogy a mobiltelefonok másodpercenként
milliárdnyi vagy billiónyi
milliárdnyi vagy billiónyi
08:31
per second.
175
499347
1248
műveletre képesek.
08:32
What you're looking at is a phone
176
500619
1615
Előttünk egy telefon,
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
amely folyamatosan madárképeket pörget,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
és nemcsak azt mondja,
hogy: "Igen, ez madár",
hogy: "Igen, ez madár",
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
hanem a hálózat segítségével
a madárfajt is fölismeri.
a madárfajt is fölismeri.
08:44
So in that picture,
180
512890
1826
A képen
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
x és w ismert, y az ismeretlen.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Átsiklok a legbonyolultabb
részeken, nevezetesen:
részeken, nevezetesen:
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
hogy a pokolba számoljuk ki w-t,
08:56
the brain that can do such a thing?
184
524983
2187
és hogyan képes erre az agy?
08:59
How would we ever learn such a model?
185
527194
1834
Hogyan hozhatunk létre ilyen modellt?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Tehát ez tanulási folyamat:
megoldás keresése w-re.
megoldás keresése w-re.
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
Ha ezt egy egyszerű egyenletre tesszük,
09:07
in which we think about these as numbers,
188
535346
2000
ahol az ismeretleneket számnak tekintjük,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
akkor pontosan tudjuk,
miként kell a 6 = 2 * w -t megoldani.,
miként kell a 6 = 2 * w -t megoldani.,
09:12
well, we divide by two and we're done.
190
540081
3312
mindkét oldalt 2-vel kell osztani.
09:16
The problem is with this operator.
191
544001
2220
A bökkenő ezzel az operátorral van.
09:18
So, division --
192
546823
1151
Osztás...
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
Azért osztást alkalmaztunk,
mert ez a szorzás inverze,
mert ez a szorzás inverze,
09:23
but as I've just said,
194
551143
1440
de ahogy már mondtam,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
itt nem igazi szorzásról van szó.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Ez itt egy igen kacifántos,
nemlineáris művelet;
nemlineáris művelet;
09:30
it has no inverse.
197
558430
1704
és nincs inverze.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Rá kell jönnünk, milyen módszerrel
oldható meg az egyenlet
oldható meg az egyenlet
09:35
without a division operator.
199
563332
2024
osztási művelet nélkül.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
A módszer elég egyszerű.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Alkalmazzunk egy kis algebrai trükköt,
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
és vigyük át a 6-ost
az egyenlet jobb oldalára.
az egyenlet jobb oldalára.
09:45
Now, we're still using multiplication.
203
573372
1826
A szorzás továbbra is megvan.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
A nullát meg tekintsük a hiba mértékének.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Azaz, ha w-re helyesen
oldjuk meg az egyenletet,
oldjuk meg az egyenletet,
09:53
then the error will be zero.
206
581818
1656
a hiba nulla lesz.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Ha a megoldás nem teljesen helyes,
09:57
the error will be greater than zero.
208
585460
1749
a hiba nullánál nagyobb lesz.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Most a hiba minimalizálása végett
próbálgatnunk kell,
próbálgatnunk kell,
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
ebben pedig a számítógép igen jó.
10:05
So you've taken an initial guess:
211
593334
1593
Kiinduló becslésnek ezt vettük:
10:06
what if w = 0?
212
594951
1156
mi a helyzet, ha w = 0?
10:08
Well, then the error is 6.
213
596131
1240
Akkor a hiba 6-tal egyenlő.
10:09
What if w = 1? The error is 4.
214
597395
1446
És ha w = 1? Akkor a hiba 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
Akkor a gép játszhatja
a Marco Polo-játékot,
a Marco Polo-játékot,
10:13
and drive down the error close to zero.
216
601256
2367
és a hibát nullához közelítheti.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Így w fokozatos közelítéseit kapjuk.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Általában nem kapunk pontos eredményt,
de tucatnyi lépés után
de tucatnyi lépés után
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
w = 2,999-et kapunk,
ami elég jó közelítés.
ami elég jó közelítés.
10:28
And this is the learning process.
220
616302
1814
Ez tanulási folyamat.
10:30
So remember that what's been going on here
221
618140
2730
Ne feledjük, hogy az történt,
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
hogy vettünk egy csomó
ismert x-et és ismert y-t,
ismert x-et és ismert y-t,
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
és iterációs úton kerestünk
w-re egy megoldást.
w-re egy megoldást.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Pontosan ilyen módszerrel
tanulunk mi magunk is.
tanulunk mi magunk is.
10:44
We have many, many images as babies
225
632354
2230
Kisbabakorunkban sok képet látunk,
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
és valaki azt mondja:
"Ez madár, ez nem madár."
"Ez madár, ez nem madár."
10:49
And over time, through iteration,
227
637714
2098
Idővel iteráció révén
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
megoldjuk w-re, megtaláljuk
az idegi kapcsolatokat.
az idegi kapcsolatokat.
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
Most az y kiszámolásához
ismert az x és a w;
ismert az x és a w;
10:59
that's everyday, fast perception.
230
647570
1847
ez a mindennapi, gyors érzékelés.
11:01
We figure out how we can solve for w,
231
649441
1763
Megoldást találni w-re,
11:03
that's learning, which is a lot harder,
232
651228
1903
ez tanulás, ami jóval nehezebb,
11:05
because we need to do error minimization,
233
653155
1985
mert a hibát minimalizálni kell,
11:07
using a lot of training examples.
234
655164
1687
sok gyakorlópélda segítségével.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Alex Mordvintsev kollégánk kb. egy éve
elhatározta, hogy kipróbálja,
elhatározta, hogy kipróbálja,
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
mi van, ha x-re
próbálunk megoldást keresni
próbálunk megoldást keresni
11:15
given a known w and a known y.
237
663660
2037
w és y ismeretében.
11:18
In other words,
238
666124
1151
Másként fogalmazva,
11:19
you know that it's a bird,
239
667299
1352
tudjuk, hogy ez egy madár,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
és ideghálózatunk már
be van tanítva madarakra,
be van tanítva madarakra,
11:24
but what is the picture of a bird?
241
672002
2344
de milyen is egy madár képe?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Kiderül, hogy ez is működik, ha ugyanazt
a hibaminimalizáló eljárást alkalmazzuk
a hibaminimalizáló eljárást alkalmazzuk
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
a madarak fölismerésére
betanított hálózatra,
betanított hálózatra,
11:35
and the result turns out to be ...
244
683536
3388
és az eredménye egy kép,
11:42
a picture of birds.
245
690400
1305
amelyen madarak láthatók.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Ezt a képet a madarak
fölismerésére betanított
fölismerésére betanított
11:48
that was trained to recognize birds,
247
696575
1826
neurális hálózat
hozta létre egyszerűen úgy,
hozta létre egyszerűen úgy,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
hogy x-re, nem pedig y-ra
kerestük a megoldást
kerestük a megoldást
11:53
and doing that iteratively.
249
701987
1288
közelítő eljárással.
11:55
Here's another fun example.
250
703732
1847
Ez pedig egy másik érdekes példa.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Ezt egyik kollégánk, Mike Tyka csinálta,
12:01
which he calls "Animal Parade."
252
709064
2308
és az állatok fölvonulásának nevezte el.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Engem William Kentridge
műalkotásaira emlékeztet:
műalkotásaira emlékeztet:
12:06
in which he makes sketches, rubs them out,
254
714296
2489
vázlatokat készít, kitörli őket,
12:08
makes sketches, rubs them out,
255
716809
1460
vázlatokat készít, kitörli,
12:10
and creates a movie this way.
256
718293
1398
és így készít filmet.
12:11
In this case,
257
719715
1151
Ebben az esetben 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
y-t futtatja végig különféle állatokon,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
egy állatok fölismerésére
és megkülönböztetésére
tervezett hálózaton.
tervezett hálózaton.
12:18
different animals from each other.
260
726597
1810
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Így ilyen furcsán, Escher-szerűen
tűnik át egyik állat a másikba.
tűnik át egyik állat a másikba.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Itt Mike és Alex megpróbált
az összes y alapján
az összes y alapján
12:30
the y's to a space of only two dimensions,
263
738859
2759
egyetlen kétdimenziós képet létrehozni,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
a hálózat által felismert
valamennyi tárgyat
valamennyi tárgyat
12:37
recognized by this network.
265
745104
1719
a síkba leképezve.
12:38
Doing this kind of synthesis
266
746847
2023
Efféle szintézist elvégezve,
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
a teljes felületet használva,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
y variálásával ilyesféle
leképezést készítünk:
leképezést készítünk:
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
a vizuális megjelenítését mindannak,
amit a hálózat felismer.
amit a hálózat felismer.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Minden állat itt van;
ez itt az armadillo, azaz a tatu.
ez itt az armadillo, azaz a tatu.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Ugyanez megtehető
másfajta hálózatokkal is.
másfajta hálózatokkal is.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Ezt a hálózatot
arcfölismerésre hozták létre,
arcfölismerésre hozták létre,
12:58
to distinguish one face from another.
273
766320
2000
hogy képes legyen arcokat
megkülönböztetni egymástól.
megkülönböztetni egymástól.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Itt az y jelentése: "én",
13:03
my own face parameters.
275
771617
1575
az én arcom paraméterei.
13:05
And when this thing solves for x,
276
773216
1706
Amikor ez megoldást keres x-re,
13:06
it generates this rather crazy,
277
774946
2618
az eredmény az én idétlen, kubista,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
szürreális és pszichedelikus képem,
13:14
from multiple points of view at once.
279
782040
1806
egyidejűleg különböző nézőpontokból.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Az egyidejű különböző nézőpontok indoka:
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
a hálózatot úgy tervezték,
hogy megszabaduljon a félreértésektől,
hogy megszabaduljon a félreértésektől,
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
amelyek az arc eltérő helyzeteiből
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
vagy az eltérő megvilágításból adódhatnak.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Ha ilyen rekonstrukciót végzünk,
13:30
if you don't use some sort of guide image
285
798348
2304
és nem használunk támpontul
valamilyen képet
valamilyen képet
13:32
or guide statistics,
286
800676
1211
vagy statisztikát,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
akkor a különféle nézőpontok
valami káosza keletkezik,
valami káosza keletkezik,
13:37
because it's ambiguous.
288
805700
1368
mert félreérthető.
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
Ez az eredmény, ha Alex támpontul
tulajdon arcát használja
tulajdon arcát használja
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
az optimalizálás folyamán
az én arcom rekonstruálásához.
az én arcom rekonstruálásához.
13:48
So you can see it's not perfect.
291
816284
2328
Láthatóan nem tökéletes.
13:50
There's still quite a lot of work to do
292
818636
1874
Még sok a teendőnk
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
a folyamat optimalizálásában.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
De a kapott arc már kivehetőbb,
13:57
rendered using my own face as a guide.
295
825862
2014
ha a támpontul az én arcom szolgált.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Nem szükséges
14:03
or with white noise.
297
831417
1156
nulláról kezdenünk.
14:04
When you're solving for x,
298
832597
1304
Ha x-et keressük,
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
kezdhetjük egy másik képhez
tartozó x-szel,
tartozó x-szel,
14:09
That's what this little demonstration is.
300
837838
2556
ahogy ezen a kis bemutatón is látható.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
E hálózat különféle tárgyak -
pl. állatok, ember alkotta struktúrák -
pl. állatok, ember alkotta struktúrák -
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
osztályba sorolására készült.
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Itt egyszerűen felhők képével kezdünk,
14:22
and as we optimize,
304
850324
1671
és ahogy optimalizálunk,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
a hálózat eldönti,
hogy mit lát bele a felhőkbe.
hogy mit lát bele a felhőkbe.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Minél tovább nézzük,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
annál több dolgot látunk beléjük.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Használhatjuk az arcfölismerő hálózatot,
hogy arcokat lássunk bele,
hogy arcokat lássunk bele,
14:38
and you get some pretty crazy stuff.
309
866403
1812
és eléggé észbontó dolgokhoz jutunk.
14:40
(Laughter)
310
868239
1150
(Nevetés)
14:42
Or, Mike has done some other experiments
311
870401
2744
Mike végzett egy másik kísérletet:
14:45
in which he takes that cloud image,
312
873169
3905
vette ezt a felhős képet,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
értelmeztette, zoomolt, értelmeztette,
zoomolt, értelmeztette, zoomolt...
zoomolt, értelmeztette, zoomolt...
14:52
And in this way,
314
880629
1151
Ily módon
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
szerintem a hálózatnak amolyan
disszociatív fugaállapotához jutunk,
disszociatív fugaállapotához jutunk,
14:57
or a sort of free association,
316
885503
3680
vagy valamiféle szabad asszociációkhoz,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
amelyben a hálózat saját farkába harap.
15:03
So every image is now the basis for,
318
891458
3421
Mindegyik kép láttán az jár az eszünkben,
15:06
"What do I think I see next?
319
894903
1421
hogy vajon mit látok majd a következőn,
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
és a következőn, és a következőn.
15:11
I showed this for the first time in public
321
899487
2936
Ezt nyilvánosan először Seattle-ben
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
egy Felsőoktatás c. előadáson mutattam be,
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
rögtön a marihuána legalizálása után.
15:22
(Laughter)
324
910369
2415
(Nevetés)
15:26
So I'd like to finish up quickly
325
914627
2104
Azzal a megjegyzéssel zárnám gyorsan,
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
hogy a technológia lehetőségei
beláthatatlanok.
beláthatatlanok.
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
Csupán vizuális példákat hoztam föl,
mert ezek nagyon mutatósak.
mert ezek nagyon mutatósak.
15:36
It's not a purely visual technology.
328
924723
2451
Nemcsak képi technológia létezik.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Művész munkatársunk, Ross Goodwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
kísérleteihez fényképezőgépet használ,
amely készít egy fölvételt,
amely készít egy fölvételt,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
majd a hátizsákjában lévő számítógép
e fénykép tartalmából
ihletet merítve verset ír.
ihletet merítve verset ír.
15:49
based on the contents of the image.
332
937168
1944
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
E költői neurális hálózatot
a 20.századi költészet
a 20.századi költészet
egy terjedelmes gyűjteménye
alapján hozták létre.
alapján hozták létre.
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
15:56
And the poetry is, you know,
335
944365
1499
Szerintem az így készült versek
15:57
I think, kind of not bad, actually.
336
945888
1914
nem is olyan rosszak.
15:59
(Laughter)
337
947826
1384
(Nevetés)
16:01
In closing,
338
949234
1159
Végezetül,
16:02
I think that per Michelangelo,
339
950417
2132
ami Michelangelót illeti,
16:04
I think he was right;
340
952573
1234
úgy vélem, igaza volt:
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
az észlelés és az alkotókészség
szorosan összefügg.
szorosan összefügg.
16:09
What we've just seen are neural networks
342
957611
2634
Amiket láttunk, azok olyan
neurális hálózatok,
neurális hálózatok,
16:12
that are entirely trained to discriminate,
343
960269
2303
amelyeket arra tanítottak,
hogy megkülönböztessenek
hogy megkülönböztessenek
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
és fölismerjenek különböző tárgyakat,
16:16
able to be run in reverse, to generate.
345
964862
3161
és amelyek fordított irányú működésre,
generálásra is képesek.
generálásra is képesek.
16:20
One of the things that suggests to me
346
968047
1783
Nemcsak azért gondolom ezt,
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
mert Michelangelo tényleg látta
16:24
the sculpture in the blocks of stone,
348
972276
2452
a szobrot a kőtömb belsejében,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
hanem mert bármely teremtmény,
lény, Földön kívüli,
lény, Földön kívüli,
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
amely ilyen észlelésre képes,
16:34
is also able to create
351
982095
1375
képes alkotni is,
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
mert ezek mindkét esetben
pontosan ugyanazon műveletek.
pontosan ugyanazon műveletek.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Azt hiszem, hogy az észlelés
és az alkotás semmi esetre sem
és az alkotás semmi esetre sem
16:43
uniquely human.
354
991298
1210
korlátozódik az emberre.
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
Kezdenek megjelenni olyan számítógépes
modellek, amelyek képesek ugyanerre.
modellek, amelyek képesek ugyanerre.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Ez nem meglepő, hiszen az agy is
egy sajátságos számítógép.
egy sajátságos számítógép.
16:51
And finally,
357
999616
1657
Végül, az informatika
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
a mesterséges értelem létrehozására
tett kísérletként indult.
tett kísérletként indult.
16:57
It was very much modeled after the idea
359
1005989
2462
Jórészt azt modellezte le,
17:00
of how could we make machines intelligent.
360
1008475
3013
hogy miként tehetjük a gépeket okossá.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Most kezdjük lassacskán beváltani
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
az útkeresők bizonyos ígéreteit:
17:08
of Turing and von Neumann
363
1016128
1713
Turingét, Neumann Jánosét,
17:09
and McCulloch and Pitts.
364
1017865
2265
McCullochét és Pittsét.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Azt hiszem, az informatika
nem korlátozódik a könyvelésre,
nem korlátozódik a könyvelésre,
17:16
or playing Candy Crush or something.
366
1024276
2147
a Candy Crush játékra vagy ilyesmikre.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
A kezdetektől fogva agyunk
alapján modelleztük.
alapján modelleztük.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Hozzájárul agyunk jobb megértéséhez,
és képességei kiterjesztéséhez.
17:24
and to extend them.
369
1032342
1529
Köszönöm szépen.
17:26
Thank you very much.
370
1034627
1167
17:27
(Applause)
371
1035818
5939
(Taps)
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