TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
フェイフェイ・リー: コンピュータが写真を理解するようになるまで
Filmed:
Readability: 4.5
2,702,344 views
小さな子供は写真を見て「ネコ」や「本」や「椅子」のような簡単な要素を識別できます。今やコンピュータも同じことができるくらいに賢くなりました。次は何でしょう？ この胸躍る講演で、コンピュータビジョンの専門家であるフェイフェイ・リーが、写真を理解できるようコンピュータに「教える」ために構築された1500万の画像データベースをはじめとする、この分野の最先端と今後について語ります。
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
Double-click the English transcript below to play the video.
00:14
Let me show you something.
0
2366
3738
まずこのビデオを
ご覧ください
ご覧ください
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(女の子の声) ネコがベッドに座ってる
00:22
The boy is petting the elephant.
2
10260
4040
男の子が象をなでてる
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
飛行機へ行く人たち
大きな飛行機よ
00:30
That's a big airplane.
4
18654
2810
(講演者) これは３歳児が
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
見た写真を
説明しているところです
説明しているところです
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
彼女にはこの世界で学ぶことが
まだまだあるかもしれませんが
まだまだあるかもしれませんが
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
ひとつの重要な作業については
すでにエキスパートです
すでにエキスパートです
00:46
to make sense of what she sees.
9
34743
2846
見たものを理解する
ということです
ということです
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
私たちの社会は技術的に
かつてなく進歩しています
かつてなく進歩しています
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
月へと人を送り込み
人に話しかける電話を作り
人に話しかける電話を作り
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
自分の好きな曲だけがかかるように
ラジオをカスタマイズしています
ラジオをカスタマイズしています
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
しかしながら最先端の
コンピュータでも
コンピュータでも
01:07
still struggle at this task.
14
55085
2903
まだこの作業には
手こずっているんです
手こずっているんです
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
私は今日コンピュータビジョンの
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
最新動向について
お伝えするために来ました
お伝えするために来ました
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
これはコンピュータサイエンスの中でも
先端にあって
先端にあって
01:21
technologies in computer science.
18
69655
3206
画期的なものになる
可能性のある技術です
可能性のある技術です
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
自分で運転する車の
プロトタイプが作られていますが
プロトタイプが作られていますが
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
知的な視覚処理能力がなかったら
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
踏みつぶしても問題のない
道路上の丸めた紙袋と
道路上の丸めた紙袋と
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
避けて通るべき同じ大きさの石とを
見分けることもできません
見分けることもできません
01:41
We have made fabulous megapixel cameras,
23
89415
3390
すごいメガピクセルの
カメラが作られていますが
カメラが作られていますが
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
盲目の人に視力を与えることは
できていません
できていません
01:48
Drones can fly over massive land,
25
96420
3305
無人機を広大な土地の上に
飛ばすことはできても
飛ばすことはできても
01:51
but don't have enough vision technology
26
99725
2134
熱帯雨林の変化を
追跡できるだけの
追跡できるだけの
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
画像技術はまだありません
01:57
Security cameras are everywhere,
28
105320
2950
監視カメラが至る所に
設置されていますが
設置されていますが
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
プールで溺れている子がいても
警告してはくれません
警告してはくれません
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
写真やビデオは世界において
生活に不可欠な一部をなしています
生活に不可欠な一部をなしています
どんな個人であれ チームであれ
見切れないほどのペースで
見切れないほどのペースで
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
02:15
or teams of humans, could hope to view,
32
123849
2783
映像が量産されています
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
そして私たちも ここTEDで
それに貢献しています
それに貢献しています
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
しかし最も進んだ
ソフトウェアでさえ
ソフトウェアでさえ
この膨大な映像を理解し管理するのに
手こずっています
手こずっています
02:27
and managing this enormous content.
35
135785
3876
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
言ってみれば
私たちの社会は
集合的に盲目であり
集合的に盲目であり
02:36
we're very much blind,
37
144933
1746
それは最も知的な機械が
いまだ盲目だからです
いまだ盲目だからです
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
なぜそんなに難しいのかと
思うかもしれません
思うかもしれません
02:43
"Why is this so hard?" you may ask.
39
151526
2926
02:46
Cameras can take pictures like this one
40
154452
2693
カメラはこのような写真を撮って
光をピクセルと呼ばれる
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
数字の２次元配列へと
変換しますが
変換しますが
02:53
known as pixels,
42
161139
1650
02:54
but these are just lifeless numbers.
43
162789
2251
これは死んだ数字の列に
過ぎません
過ぎません
02:57
They do not carry meaning in themselves.
44
165040
3111
数字自体に意味はありません
単に音が耳に入ってくるのと
「聴く」のとは違うように
「聴く」のとは違うように
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
「写真を撮る」のと「見る」のとは
同じではありません
同じではありません
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
「見る」ということには
理解することが含まれているのです
理解することが含まれているのです
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
実際この仕事を
成し遂げられるようにするために
成し遂げられるようにするために
母なる自然は 5億4千万年という
長い歳月を必要としたのです
長い歳月を必要としたのです
03:19
to do this task,
49
187470
1973
03:21
and much of that effort
50
189443
1881
そしてその努力の多くは
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
目そのものではなく
脳の視覚処理能力を発達させるために
費やされました
費やされました
03:28
not the eyes themselves.
52
196595
2647
03:31
So vision begins with the eyes,
53
199242
2747
視覚というのは
目から始まりますが
目から始まりますが
03:33
but it truly takes place in the brain.
54
201989
3518
それが本当に起きているのは
脳の中なのです
脳の中なのです
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
これまで15年間
カリフォルニア工科大学の博士課程の頃から
カリフォルニア工科大学の博士課程の頃から
スタンフォード大でコンピュータビジョン研究室を
率いている今に到るまで
率いている今に到るまで
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
私は指導教官や共同研究者や
学生達とともに
学生達とともに
03:50
to teach computers to see.
58
218669
2889
コンピュータに見ることを
教えようとしてきました
教えようとしてきました
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
私たちの研究領域は
コンピュータビジョンと機械学習で
コンピュータビジョンと機械学習で
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
これは人工知能の分野の一部です
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
最終的に私たちがしたいのは
機械も人間のようにものを見られるようにすることです
機械も人間のようにものを見られるようにすることです
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
物が何か言い当て 人を識別し
３次元的な配置を推量し
３次元的な配置を推量し
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
関係や感情や行動や意図を
理解するということです
理解するということです
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
私たち人間は一目見ただけで
人 場所 物の織りなす物語全体を
捉えることができます
捉えることができます
04:25
the moment we lay our gaze on them.
65
253721
2164
この目標に向けた第一歩は
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
コンピュータに視覚世界の構成要素である物を
見られるようにすることです
見られるようにすることです
04:34
the building block of the visual world.
67
262538
3368
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
簡単に言うと
ネコのような特定の物の
04:42
as showing the computers
some training images
some training images
69
270340
2995
訓練用画像を
コンピュータに与えて
コンピュータに与えて
04:45
of a particular object, let's say cats,
70
273335
3321
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
それらの画像から学習する
モデルを設計するんです
モデルを設計するんです
04:53
How hard can this be?
72
281393
2044
簡単そうに聞こえますよね？
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
ネコの画像は色と形の
集まりに過ぎません
集まりに過ぎません
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
これは初期のオブジェクト・モデリングで
私たちがやっていたことでした
私たちがやっていたことでした
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
数学的な言語を使って
コンピュータアルゴリズムに
コンピュータアルゴリズムに
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
ネコには 丸い顔と
ぽっちゃりした体と
ぽっちゃりした体と
05:10
two pointy ears, and a long tail,
77
298540
2299
２つのとがった耳と
長いしっぽがあると教え
長いしっぽがあると教え
05:12
and that looked all fine.
78
300839
1410
それでうまくいきそうでした
05:14
But what about this cat?
79
302859
2113
でもこのネコはどうでしょう？
05:16
(Laughter)
80
304972
1091
(笑)
05:18
It's all curled up.
81
306063
1626
体がすっかり反り返っています
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
オブジェクトモデルに新しい形と視点を
追加する必要があります
追加する必要があります
05:24
But what if cats are hidden?
83
312408
1715
でもネコが一部隠れていたら
どうでしょう？
どうでしょう？
05:27
What about these silly cats?
84
315143
2219
このおかしなネコたちはどうでしょう？
05:31
Now you get my point.
85
319112
2417
言いたいこと分かりますよね？
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
身近なペットのネコという
シンプルなものでさえ
シンプルなものでさえ
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
オブジェクトモデルに
無数のバリエーションを定義する必要があり
無数のバリエーションを定義する必要があり
しかもこれは沢山あるものの
１つに過ぎないんです
１つに過ぎないんです
05:41
and that's just one object.
88
329400
2233
05:44
So about eight years ago,
89
332573
2492
８年ほど前
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
とてもシンプルながら本質的なある観察が
私の考え方を変えました
私の考え方を変えました
05:53
No one tells a child how to see,
91
341425
2685
子供は教えられなくても
成長の初期に
ものの見方を身に付けるということです
ものの見方を身に付けるということです
05:56
especially in the early years.
92
344110
2261
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
子供は現実の世界における
経験と例を通して学ぶのです
経験と例を通して学ぶのです
06:03
If you consider a child's eyes
94
351371
2740
子供の目が
生きたカメラで
生きたカメラで
200ミリ秒ごとに１枚
06:06
as a pair of biological cameras,
95
354111
2554
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
写真を撮っていると
考えてみましょう
考えてみましょう
06:12
the average time an eye movement is made.
97
360845
3134
これは目が動く
平均時間です
平均時間です
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
すると子供は３歳になるまでに
何億枚という
何億枚という
現実世界の写真を
見ていることになります
見ていることになります
06:21
of the real world.
99
369529
1834
膨大な量の訓練例です
06:23
That's a lot of training examples.
100
371363
2280
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
それで気が付いたのは
アルゴリズムの改良ばかりに集中するのではなく
アルゴリズムの改良ばかりに集中するのではなく
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
子供が経験を通じて
受け取るような
受け取るような
06:37
that a child was given through experiences
103
385644
3319
量と質の訓練データを
06:40
in both quantity and quality.
104
388963
3878
アルゴリズムに与えてはどうか
ということでした
ということでした
06:44
Once we know this,
105
392841
1858
このことに気付いた時
06:46
we knew we needed to collect a data set
106
394699
2971
私たちが持っているよりも
遙かに多くの画像データを
遙かに多くの画像データを
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
集めなければならないことが
明らかでした
明らかでした
06:54
perhaps thousands of times more,
108
402129
2577
何千倍も必要です
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
それで私はプリンストン大学の
カイ・リー教授と一緒に
カイ・リー教授と一緒に
07:00
we launched the ImageNet project in 2007.
110
408817
4752
2007年にImageNetプロジェクトを
立ち上げました
立ち上げました
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
幸い私たちは
頭にカメラを付けて
頭にカメラを付けて
何年も歩き回る必要は
ありませんでした
ありませんでした
07:09
and wait for many years.
112
417407
1764
07:11
We went to the Internet,
113
419171
1463
人類がかつて作った
最大の画像の宝庫
最大の画像の宝庫
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
インターネットに
向かったのです
向かったのです
07:17
We downloaded nearly a billion images
115
425070
3041
私たちは10億枚近い画像を
ダウンロードし
ダウンロードし
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
アマゾン・メカニカル・タークのような
クラウドソーシング技術を使って
クラウドソーシング技術を使って
07:25
to help us to label these images.
117
433991
2339
それらの画像に
ラベル付けをしました
ラベル付けをしました
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
最盛期にはImageNetは
アマゾン・メカニカル・ターク作業者の
アマゾン・メカニカル・ターク作業者の
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
最大の雇用者の１つに
なっていました
なっていました
07:36
together, almost 50,000 workers
120
444226
3854
167カ国の
07:40
from 167 countries around the world
121
448080
4040
５万人近い作業者が
07:44
helped us to clean, sort and label
122
452120
3947
10億枚近い画像を
整理しラベル付けする作業に
整理しラベル付けする作業に
07:48
nearly a billion candidate images.
123
456067
3575
携わりました
07:52
That was how much effort it took
124
460612
2653
子供がその成長の初期に
受け取るのに
受け取るのに
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
匹敵する量の画像を
用意するためには
用意するためには
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
それほどの労力が
必要だったのです
必要だったのです
08:04
In hindsight, this idea of using big data
127
472148
3902
コンピュータアルゴリズムの訓練に
ビッグデータを使うというアイデアは
ビッグデータを使うというアイデアは
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
今からすると
自明なものに見えるでしょうが
自明なものに見えるでしょうが
08:12
but back in 2007, it was not so obvious.
129
480600
4110
2007年当時は
そうではありませんでした
そうではありませんでした
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
かなり長い間 こんなことをやっている人は
私たち以外にいませんでした
私たち以外にいませんでした
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
親切な同僚が将来の職のためにもう少し有用なことを
した方がいいとアドバイスしてくれたくらいです
した方がいいとアドバイスしてくれたくらいです
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
研究資金には
いつも困っていました
いつも困っていました
ImageNetの資金調達のために
クリーニング屋をまた開こうかしらと
クリーニング屋をまた開こうかしらと
08:29
Once, I even joked to my graduate students
133
497933
2485
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
学生に冗談で言ったくらいです
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
私が学生の頃 学費のために
やっていたことです
やっていたことです
私たちは進み続け
08:41
So we carried on.
136
509242
1856
08:43
In 2009, the ImageNet project delivered
137
511098
3715
2009年に
ImageNetプロジェクトは
ImageNetプロジェクトは
08:46
a database of 15 million images
138
514813
4042
日常的な英語を使って
2万2千のカテゴリに分類した
2万2千のカテゴリに分類した
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
1500万枚の画像の
データベースを
データベースを
完成させました
08:55
organized by everyday English words.
140
523660
3320
08:58
In both quantity and quality,
141
526980
2926
これは量という点でも
質という点でも
質という点でも
09:01
this was an unprecedented scale.
142
529906
2972
かつてないスケールのものでした
09:04
As an example, in the case of cats,
143
532878
3461
一例を挙げると
ネコの画像は
6万2千点以上あって
6万2千点以上あって
09:08
we have more than 62,000 cats
144
536339
2809
09:11
of all kinds of looks and poses
145
539148
4110
様々な見かけや
ポーズのネコがいて
ポーズのネコがいて
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
飼い猫から山猫まで
あらゆる種類を網羅しています
あらゆる種類を網羅しています
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
私たちはImageNetが
できあがったことを喜び
できあがったことを喜び
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
世界の研究者にも
その恩恵を受けて欲しいと思い
その恩恵を受けて欲しいと思い
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
TEDの流儀で
データセットをまるごと
データセットをまるごと
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
無償で世界の研究者コミュニティに
公開しました
公開しました
(拍手)
09:36
(Applause)
151
564636
4000
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
こうしてコンピュータの脳を
育てるためのデータができ
育てるためのデータができ
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
アルゴリズムに取り組む
用意が整いました
用意が整いました
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
それで分かったのは
ImageNetが提供する豊かな情報に適した
ImageNetが提供する豊かな情報に適した
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
機械学習アルゴリズムがあることです
09:59
called convolutional neural network,
156
587675
2415
畳み込みニューラルネットワークと言って
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
福島邦彦 ジェフリー・ヒントン
ヤン・ルカンといった人たちが
ヤン・ルカンといった人たちが
10:07
back in the 1970s and '80s.
158
595338
3645
1970年代から1980年代にかけて
開拓した領域です
開拓した領域です
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
脳が何十億という高度に結合し合った
ニューロンからできているように
ニューロンからできているように
10:16
a basic operating unit in a neural network
160
604602
3854
ニューラルネットワークの
基本要素となっているのは
基本要素となっているのは
10:20
is a neuron-like node.
161
608456
2415
ニューロンのようなノードです
10:22
It takes input from other nodes
162
610871
2554
他のノードからの入力を受けて
10:25
and sends output to others.
163
613425
2718
他のノードへ出力を渡します
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
何十万 何百万という
このようなノードが
このようなノードが
10:32
are organized in hierarchical layers,
165
620856
3227
これも脳と同様に
階層的に組織化されています
10:36
also similar to the brain.
166
624083
2554
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
物を認識するモデルを訓練するために
私たちが通常使うニューラルネットワークには
私たちが通常使うニューラルネットワークには
10:43
it has 24 million nodes,
168
631420
3181
2千4百万のノード
10:46
140 million parameters,
169
634601
3297
1億4千万のパラメータ
150億の結合があります
10:49
and 15 billion connections.
170
637898
2763
ものすごく大きなモデルです
10:52
That's an enormous model.
171
640661
2415
10:55
Powered by the massive data from ImageNet
172
643076
3901
ImageNetの膨大なデータと
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
現代のCPUやGPUの性能を使って
このような巨大なモデルを訓練することで
このような巨大なモデルを訓練することで
11:04
the convolutional neural network
174
652410
2369
畳み込みニューラルネットワークは
11:06
blossomed in a way that no one expected.
175
654779
3436
誰も予想しなかったくらいに
大きく花開きました
大きく花開きました
11:10
It became the winning architecture
176
658215
2508
これは物の認識において
目覚ましい結果を出す
目覚ましい結果を出す
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
大当たりのアーキテクチャとなっています
11:18
This is a computer telling us
178
666063
2810
ここではコンピュータが
11:20
this picture contains a cat
179
668873
2300
写真の中にネコがいることと
11:23
and where the cat is.
180
671173
1903
その場所を示しています
11:25
Of course there are more things than cats,
181
673076
2112
もちろんネコ以外のものも
認識できます
認識できます
11:27
so here's a computer algorithm telling us
182
675188
2438
こちらではコンピュータアルゴリズムが
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
写真の中に男の子とテディベアが
写っていることを教えています
写っていることを教えています
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
犬と 人物と 後方に小さな凧が
あることを示しています
あることを示しています
11:37
or a picture of very busy things
185
685266
3135
とても沢山のものが
写った写真から
写った写真から
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
男性 スケートボード 手すり
街灯などを見分けています
街灯などを見分けています
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
写っているものが何なのか コンピュータが
そんなに自信を持てない場合もあります [動物]
そんなに自信を持てない場合もあります [動物]
11:51
we have taught it to be smart enough
188
699498
2276
コンピュータには
当て推量をするよりは
当て推量をするよりは
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
確かなところを答えるよう
教えています
教えています
11:57
just like we would do,
190
705652
2811
ちょうど私たち自身がするように
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
一方で何が写っているかについて
コンピュータアルゴリズムが
コンピュータアルゴリズムが
12:05
what exactly the objects are,
192
713129
2253
驚くほど正確に
言い当てることもあります
言い当てることもあります
12:07
like the make, model, year of the cars.
193
715382
3436
たとえば自動車の車種や
モデルや年式のような
モデルや年式のような
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
このアルゴリズムを
アメリカの数百都市の
アメリカの数百都市の
12:16
across hundreds of American cities,
195
724204
3135
何百万という
Googleストリートビュー画像に適用した結果
Googleストリートビュー画像に適用した結果
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
面白い発見がありました
12:22
first, it confirmed our common wisdom
197
730265
3320
まず 車の値段は
家計収入とよく相関しているという
12:25
that car prices correlate very well
198
733585
3290
12:28
with household incomes.
199
736875
2345
予想が裏付けられました
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
でも驚いたことに
車の値段は
車の値段は
街の犯罪率とも
よく相関していたんです
よく相関していたんです
12:35
with crime rates in cities,
201
743747
2300
それはまた郵便番号区域ごとの
投票傾向とも相関しています
投票傾向とも相関しています
12:39
or voting patterns by zip codes.
202
747007
3963
12:44
So wait a minute. Is that it?
203
752060
2206
それでは コンピュータは
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
既に人間の能力に追いつき
追い越しているのでしょうか？
追い越しているのでしょうか？
12:51
Not so fast.
205
759419
2138
結論を急がないで
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
これまでのところ 私たちは
コンピュータに物の見方を教えただけです
コンピュータに物の見方を教えただけです
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
小さな子供が名詞をいくつか
言えるようになったようなものです
言えるようになったようなものです
13:03
It's an incredible accomplishment,
208
771124
2670
ものすごい成果ですが
13:05
but it's only the first step.
209
773794
2460
まだ第一歩にすぎず
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
次の開発目標があります
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
子供は文章でコミュニケーションを
するようになります
するようになります
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
だから写真を見て小さな女の子が
単にネコと言わずに
単にネコと言わずに
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
ネコがベッドに座っていると
言うのを聞いたわけです
言うのを聞いたわけです
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
コンピュータが写真を見て
文章を作れるよう教えるために
文章を作れるよう教えるために
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
このビッグデータと
機械学習の結びつきが
機械学習の結びつきが
13:34
has to take another step.
216
802446
2275
新たなステップを
踏む必要があります
踏む必要があります
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
コンピュータは
写真だけでなく
写真だけでなく
13:40
as well as natural language sentences
218
808877
2856
人が発する自然言語の文章も
13:43
generated by humans.
219
811733
3322
学ぶ必要があります
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
脳が視覚と言語を
結びつけるように
結びつけるように
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
画像の断片のような
視覚的なものの一部と
視覚的なものの一部と
13:56
like visual snippets
222
824109
1904
文章の中の単語やフレーズを
繋ぎ合わせるモデルを
繋ぎ合わせるモデルを
13:58
with words and phrases in sentences.
223
826013
4203
私たちは開発しました
14:02
About four months ago,
224
830216
2763
４ヶ月ほど前
14:04
we finally tied all this together
225
832979
2647
ついに私たちは
すべてをまとめ
すべてをまとめ
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
初めて見た写真について
人が書いたような
記述文を生成できる
記述文を生成できる
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
14:15
when it sees a picture for the first time.
228
843404
3506
最初のコンピュータ・ビジョン・
モデルを作り上げました
モデルを作り上げました
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
冒頭で小さな女の子が説明したのと
同じ写真を見て
同じ写真を見て
14:23
when it sees the picture
230
851554
1975
そのコンピュータが何と言ったか
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
お見せしましょう
「ゾウの横に立っている男」
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
「空港の滑走路にいる大きな飛行機」
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
私たちは今もアルゴリズムを改良しようと
熱心に取り組んでいて
熱心に取り組んでいて
14:45
and it still has a lot to learn.
235
873269
2596
学ぶべきことは
まだまだあります
まだまだあります
14:47
(Applause)
236
875865
2291
(拍手)
14:51
And the computer still makes mistakes.
237
879556
3321
コンピュータは
まだ間違いを犯します
まだ間違いを犯します
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
「ベッドの上の毛布の中のネコ」
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
ネコを沢山見過ぎたせいで
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
何でもネコみたいに
見えるのかもしれません
見えるのかもしれません
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
「野球バットを持つ小さな男の子」
15:08
(Laughter)
242
896181
1765
(笑)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
歯ブラシを見たことがないと
野球バットと混同してしまいます
野球バットと混同してしまいます
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
「建物脇の道を馬に乗って行く男」
15:18
(Laughter)
245
906743
2023
(笑)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
美術はまだコンピュータに
教えていませんでした
教えていませんでした
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
「草原に立つシマウマ」
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
私たちのように
自然の美を慈しむことは
自然の美を慈しむことは
15:32
like you and I do.
249
920019
2438
まだ学んでいません
15:34
So it has been a long journey.
250
922457
2832
長い道のりでした
15:37
To get from age zero to three was hard.
251
925289
4226
０歳から３歳まで行くのは
大変でした
大変でした
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
でも本当の挑戦は３歳から13歳
さらにその先へと行くことです
さらにその先へと行くことです
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
あの男の子とケーキの写真を
もう一度見てみましょう
もう一度見てみましょう
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
私たちはコンピュータに
物を識別することを教え
物を識別することを教え
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
写真を簡単に説明することさえ
教えました
教えました
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
「ケーキのあるテーブルにつく人」
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
しかしこの写真には
単に人とケーキというよりも
単に人とケーキというよりも
16:06
than just a person and a cake.
258
954204
2270
遙かに多くのものがあります
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
コンピュータが見なかったのは
このケーキが特別なイタリアのケーキで
このケーキが特別なイタリアのケーキで
16:12
that's only served during Easter time.
260
960941
3217
イースターの時に
食べるものだということです
食べるものだということです
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
男の子が着ているのは
お気に入りのTシャツで
お気に入りのTシャツで
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
お父さんがシドニー旅行の
おみやげにくれたものだということ
おみやげにくれたものだということ
16:23
and you and I can all tell how happy he is
263
971333
3808
私たちはみんな
この男の子がどんなに喜んでいるか
この男の子がどんなに喜んでいるか
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
何を思っているかが分かります
16:31
This is my son Leo.
265
979214
3125
これは息子のレオです
16:34
On my quest for visual intelligence,
266
982339
2624
視覚的な知性を
追い求める探求の中で
追い求める探求の中で
16:36
I think of Leo constantly
267
984963
2391
私はいつもレオのことや
16:39
and the future world he will live in.
268
987354
2903
レオが住むであろう
未来の世界のことを考えています
未来の世界のことを考えています
16:42
When machines can see,
269
990257
2021
機械に見ることが
できるようになれば
できるようになれば
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
医師や看護師は疲れを知らない
別の目を手に入れて
別の目を手に入れて
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
患者の診断や世話に
役立てられるでしょう
役立てられるでしょう
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
自動車は道路をより賢明に
安全に走行するようになるでしょう
安全に走行するようになるでしょう
16:57
Robots, not just humans,
273
1005465
2694
人間だけでなくロボットも
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
災害地域に取り残され負傷した人々を救出する
手助けができるようになるでしょう
手助けができるようになるでしょう
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
私たちは機械の助けを借りて
新種の生物やより優れた素材を発見し
新種の生物やより優れた素材を発見し
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
未だ見ぬフロンティアを
探検するようになるでしょう
探検するようになるでしょう
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
私たちは少しずつ機械に
視覚を与えています
視覚を与えています
17:19
First, we teach them to see.
278
1027280
2798
最初に私たちが
機械に見ることを教え
機械に見ることを教え
それから機械が より良く見られるよう
私たちを助けてくれることでしょう
私たちを助けてくれることでしょう
17:22
Then, they help us to see better.
279
1030078
2763
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
歴史上初めて
人間以外の目が
人間以外の目が
17:29
pondering and exploring our world.
281
1037006
2934
世界について考察し
探求するようになるのです
探求するようになるのです
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
私たちは機械の知性を
利用するだけでなく
利用するだけでなく
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
想像もできないような方法で
機械と人間が協力し合うようになるでしょう
機械と人間が協力し合うようになるでしょう
17:41
This is my quest:
284
1049579
2161
私が追い求めているのは
17:43
to give computers visual intelligence
285
1051740
2712
コンピュータに視覚的な知性を与え
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
レオや世界のために
より良い未来を作り出すということです
より良い未来を作り出すということです
17:51
Thank you.
287
1059583
1811
ありがとうございました
17:53
(Applause)
288
1061394
3785
(拍手)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.
Why you should listen
Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.
Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.
Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers.
Fei-Fei Li | Speaker | TED.com