ABOUT THE SPEAKER
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.

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?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED@BCG Paris

Blaise Agüera y Arcas: How computers are learning to be creative

ブレイス・アグエラ・ヤルカス: コンピューターはこうしてクリエイティブになる

Filmed:
1,934,067 views

我々はアートと創造性の新時代の入り口におり、その主人公は人間ではない—そう語るGoogle社の主席サイエンティストのブレイス・アグエラ・ヤルカスは、深層学習を行うニューラルネットワークで機械知覚と分散学習を実現する取り組みを進めています。画像認識用にトレーニングしたニューラルネットワークを逆に使って非常に斬新な映像を生み出すという、目を奪われるようなデモを彼は披露してくれます。コンピューターが作り出すその映像は、幻想的ですばらしく、既成のジャンル分けには当てはまらないコラージュ作品です。そればかりか、コンピューターは今や詩まで作れるといいます。彼はこう言います。「知覚と創造性の間には非常に密接な結び付きがあり、知覚行為を行う能力を有するものは創造力も兼ね備えている」
- 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

Double-click the English transcript below to play the video.

私はGoogleで 機械知能に取り組む
開発チームを率いています
00:12
So, I lead a teamチーム at GoogleGoogle
that works作品 on machine機械 intelligenceインテリジェンス;
0
800
3124
00:15
in other words言葉, the engineeringエンジニアリング discipline規律
of making作る computersコンピュータ and devicesデバイス
1
3948
4650
機械知能とは コンピューターや
いろいろな種類の端末に
人間の脳のような機能を
持たせるための技術です
00:20
ableできる to do some of the things
that brains頭脳 do.
2
8622
2419
仕事上 私たちは
人間の脳の働きや
00:23
And this makes作る us
interested興味がある in realリアル brains頭脳
3
11439
3099
神経科学に関心があり
00:26
and neuroscience神経科学 as well,
4
14562
1289
00:27
and especially特に interested興味がある
in the things that our brains頭脳 do
5
15875
4172
脳が未だコンピューターより
はるかに優れている領域に
00:32
that are still far遠い superior優れました
to the performanceパフォーマンス of computersコンピュータ.
6
20071
4042
特に興味を持っています
そのような領域として
古くから認識されていたのは 知覚です
00:37
Historically歴史的に, one of those areasエリア
has been perception知覚,
7
25209
3609
00:40
the processプロセス by whichどの things
out there in the world世界 --
8
28842
3039
知覚とは 外界に存在するもの―
つまり 音や映像のようなものを
00:43
sounds and imagesイメージ --
9
31905
1584
00:45
can turn順番 into conceptsコンセプト in the mindマインド.
10
33513
2178
心の中の概念に 変えるプロセスです
これは 人間の脳に
本質的に備わっている能力ですが
00:48
This is essential本質的な for our own自分の brains頭脳,
11
36235
2517
00:50
and it's alsoまた、 prettyかなり useful有用 on a computerコンピューター.
12
38776
2464
コンピューターにも 有用なものです
例えば 私の部署で作っている
機械知覚アルゴリズムは
00:53
The machine機械 perception知覚 algorithmsアルゴリズム,
for example, that our teamチーム makes作る,
13
41636
3350
00:57
are what enable有効にする your picturesピクチャー
on GoogleGoogle Photos写真 to become〜になる searchable検索可能な,
14
45010
3874
Googleフォトの画像を
写っているものに基づいて
検索できるようにする技術です
01:00
basedベース on what's in them.
15
48908
1397
01:03
The flipフリップ side of perception知覚 is creativity創造性:
16
51594
3493
一方 知覚と対照的なものに
創造性があります
創造性とは 概念を
何かの形で世に生み出すことです
01:07
turning旋回 a concept概念 into something
out there into the world世界.
17
55111
3038
01:10
So over the past過去 year,
our work on machine機械 perception知覚
18
58173
3555
この1年の我々の
機械知覚への取り組みの中で
01:13
has alsoまた、 unexpectedly意外にも connected接続された
with the world世界 of machine機械 creativity創造性
19
61752
4859
コンピューターによる創造
「機械芸術」の世界との
意外な接点を見ました
01:18
and machine機械 artアート.
20
66635
1160
01:20
I think Michelangeloミケランジェロ
had a penetrating浸透する insight洞察力
21
68556
3284
ミケランジェロには
先見の明があり
この「知覚と創造の二重の関係」を
見ていたのだと思います
01:23
into to this dualデュアル relationship関係
betweenの間に perception知覚 and creativity創造性.
22
71864
3656
彼は 有名な言葉を残しています
01:28
This is a famous有名な quote見積もり of his:
23
76023
2006
01:30
"Everyすべて blockブロック of stone
has a statue inside内部 of it,
24
78053
3323
「どんな石の塊にも 彫像が隠れており
彫刻家の仕事は
その像を見出すことである」
01:34
and the jobジョブ of the sculptor彫刻家
is to discover発見する it."
25
82036
3002
01:38
So I think that what
Michelangeloミケランジェロ was getting取得 at
26
86029
3216
ミケランジェロが気づいていたのは
我々は 知覚によって
創造しているということで
01:41
is that we create作成する by perceiving知覚する,
27
89269
3180
01:44
and that perception知覚 itself自体
is an act行為 of imagination想像力
28
92473
3023
知覚自体が 想像する行為であり
01:47
and is the stuffもの of creativity創造性.
29
95520
2461
創造的なものだということです
01:50
The organ器官 that does all the thinking考え
and perceiving知覚する and imagining想像する,
30
98691
3925
人体の中で 思考 知覚 想像を行う器官は
01:54
of courseコース, is the brain.
31
102640
1588
言うまでもなく 脳です
01:57
And I'd like to beginベギン
with a brief簡潔な bitビット of history歴史
32
105089
2545
そこで 脳科学の歩みについて
01:59
about what we know about brains頭脳.
33
107658
2302
簡単に振り返りましょう
02:02
Because unlike違う, say,
the heartハート or the intestines,
34
110496
2446
心臓や腸などとは違い
02:04
you really can't say very much
about a brain by just looking at it,
35
112966
3144
脳については 外観からは
分からないことが多いからです
02:08
at least少なくとも with the naked eye.
36
116134
1412
少なくとも 肉眼で見た場合には
02:09
The early早い anatomists解剖学者 who looked見た at brains頭脳
37
117983
2416
脳に注目した 昔の解剖学者たちは
02:12
gave与えた the superficial面白い structures構造
of this thing all kinds種類 of fanciful想像 names名前,
38
120423
3807
脳の外部構造を見て
しゃれた名前を付けました
例えば「海馬」
これは タツノオトシゴのことです
02:16
like hippocampus海馬, meaning意味 "little shrimpエビ."
39
124254
2433
02:18
But of courseコース that sortソート of thing
doesn't tell us very much
40
126711
2764
しかし そのように付けられた名前は
その働きについて
ほとんど何も示していません
02:21
about what's actually実際に going on inside内部.
41
129499
2318
脳内で起きていることについて
本当の知見を初めて得たのは
02:24
The first person who, I think, really
developed発展した some kind種類 of insight洞察力
42
132780
3613
02:28
into what was going on in the brain
43
136417
1930
19世紀の 偉大な
スペイン人神経解剖学者
02:30
was the great Spanishスペイン語 neuroanatomist神経学者,
Santiagoサンティアゴ RamRAMón y Cajalカザル,
44
138371
3920
サンティアゴ・ラモン・イ・カハールだと
02:34
in the 19thth century世紀,
45
142315
1544
私は思います
02:35
who used microscopy顕微鏡検査 and special特別 stains汚れ
46
143883
3755
彼は顕微鏡と
選択的に染める特殊な染料を使って
02:39
that could selectively選択的に fill埋める in
or renderレンダリングする in very high高い contrastコントラスト
47
147662
4170
脳内の個々の細胞を
非常にはっきりした形で
02:43
the individual個人 cells細胞 in the brain,
48
151856
2008
見られるようにし
そこから 形態学的理解が
進むようになりました
02:45
in order注文 to start開始 to understandわかる
their彼らの morphologies形態学.
49
153888
3154
02:49
And these are the kinds種類 of drawings図面
that he made of neuronsニューロン
50
157972
2891
19世紀に 彼が描いた
神経のイメージは
02:52
in the 19thth century世紀.
51
160887
1209
このようなものでした
02:54
This is from a bird brain.
52
162120
1884
これは 鳥の脳です
02:56
And you see this incredible信じられない variety品種
of different異なる sortsソート of cells細胞,
53
164028
3057
このように 驚くほど
多様な細胞があります
02:59
even the cellular携帯電話 theory理論 itself自体
was quiteかなり new新しい at this pointポイント.
54
167109
3435
当時は 細胞説自体が
ごく新しいものでした
03:02
And these structures構造,
55
170568
1278
この構造 この細胞には
03:03
these cells細胞 that have these arborizations収穫,
56
171870
2259
樹状突起があります
03:06
these branches that can go
very, very long distances距離 --
57
174153
2608
この突起は
非常に長く伸びうるのですが
03:08
this was very novel小説 at the time.
58
176785
1616
これも 当時は目新しいことでした
03:10
They're reminiscent思い出す, of courseコース, of wiresワイヤー.
59
178779
2903
樹状突起は 配線のようにも見えます
03:13
That mightかもしれない have been obvious明らか
to some people in the 19thth century世紀;
60
181706
3457
このことは 19世紀の一部の人には
一目瞭然だったかもしれません
03:17
the revolutions回転 of wiring配線 and electricity電気
were just getting取得 underway進行中.
61
185187
4314
電気による革命が進み
配線が普及し始めた時代だったからです
しかし いろいろな面で
03:21
But in manyたくさんの ways方法,
62
189964
1178
03:23
these microanatomical微量組織学的 drawings図面
of RamRAMón y Cajal'sカザル, like this one,
63
191166
3313
ラモン・イ・カハールが提示した
微細解剖学的な図は
03:26
they're still in some ways方法 unsurpassed抜群の.
64
194503
2332
ある意味 今なお越えられていません
03:28
We're still more than a century世紀 later後で,
65
196859
1854
1世紀を経た今も 我々は
ラモン・イ・カハールが始めた仕事を
完成させようと試み続けています
03:30
trying試す to finish仕上げ the jobジョブ
that RamRAMón y Cajalカザル started開始した.
66
198737
2825
03:33
These are raw dataデータ from our collaborators協力者
67
201586
3134
これは 我々が提携している
マックス・プランク神経科学研究所による
生のデータです
03:36
at the Max最大 Planckプランク Institute研究所
of Neuroscience神経科学.
68
204744
2881
03:39
And what our collaborators協力者 have done完了
69
207649
1790
彼らが行ったのは
03:41
is to image画像 little pieces作品 of brain tissue組織.
70
209463
5001
脳の組織の小さな断片を
可視化するということです
03:46
The entire全体 sampleサンプル here
is about one cubicキュービック millimeterミリメートル in sizeサイズ,
71
214488
3326
この試料全体の大きさは
1立方ミリメートルで
03:49
and I'm showing表示 you a very,
very small小さい pieceピース of it here.
72
217838
2621
今 お見せしているのは
そのごく一部です
03:52
That barバー on the left is about one micronミクロン.
73
220483
2346
左の棒の長さが
1ミクロンです
03:54
The structures構造 you see are mitochondriaミトコンドリア
74
222853
2409
ご覧の構造は ミトコンドリアで
03:57
that are the sizeサイズ of bacteria細菌.
75
225286
2044
大きさとしては
バクテリアと同程度です
03:59
And these are consecutive連続 slicesスライス
76
227354
1551
ごく小さな組織片の
04:00
throughを通して this very, very
tiny小さな blockブロック of tissue組織.
77
228929
3148
連続的断面を映しています
04:04
Just for comparison's比較 sake,
78
232101
2403
比較のために言うと
髪の毛の直径は
平均約100ミクロンです
04:06
the diameter直径 of an average平均 strand
of hairヘア is about 100 micronsミクロン.
79
234528
3792
04:10
So we're looking at something
much, much smaller小さい
80
238344
2274
ご覧のものは
髪の毛の直径よりも
04:12
than a singleシングル strand of hairヘア.
81
240642
1398
はるかに小さいんです
04:14
And from these kinds種類 of serialシリアル
electron電子 microscopy顕微鏡検査 slicesスライス,
82
242064
4031
このような 電子顕微鏡による
連続断面像から
ニューロンの3次元像を
再構成できます
04:18
one can start開始 to make reconstructions再建
in 3D of neuronsニューロン that look like these.
83
246119
5008
ここでは ラモン・イ・カハールが
したのと同じように
04:23
So these are sortソート of in the same同じ
styleスタイル as RamRAMón y Cajalカザル.
84
251151
3157
ごく一部のニューロンだけを示しています
04:26
Only a few少数 neuronsニューロン lit点灯 up,
85
254332
1492
04:27
because otherwiseさもないと we wouldn'tしないだろう
be ableできる to see anything here.
86
255848
2781
そうしなければ
あまりに密集していて
わけが分からなくなってしまいます
04:30
It would be so crowded混雑した,
87
258653
1312
04:31
so full満員 of structure構造,
88
259989
1330
ニューロンは 互いに結合し合った —
04:33
of wiring配線 all connecting接続する
one neuronニューロン to another別の.
89
261343
2724
非常に複雑な構造をしているためです
ラモン・イ・カハールは
時代の先を行っていて
04:37
So RamRAMón y Cajalカザル was a little bitビット
ahead前方に of his time,
90
265293
2804
脳に対する理解は
04:40
and progress進捗 on understanding理解 the brain
91
268121
2555
その後の数十年で
ゆっくりと進んでいきました
04:42
proceeded進んだ slowlyゆっくり
over the next few少数 decades数十年.
92
270700
2271
やがて ニューロンは
電気を使っていることが発見され
04:45
But we knew知っていた that neuronsニューロン used electricity電気,
93
273455
2853
04:48
and by World世界 War戦争 IIII, our technology技術
was advanced高度な enough十分な
94
276332
2936
第二次世界大戦の頃には
仕組みの解明のため
生きたニューロンを使って
04:51
to start開始 doing realリアル electrical電気
experiments実験 on liveライブ neuronsニューロン
95
279292
2806
電気的な実験ができるくらいに
技術が進歩しました
04:54
to better understandわかる how they worked働いた.
96
282122
2106
04:56
This was the very same同じ time
when computersコンピュータ were beingであること invented発明された,
97
284631
4356
ほぼ同時期に
コンピューターも発明されましたが
これは 人間の脳をモデル化するという
アイデアに基づいていました
05:01
very much basedベース on the ideaアイディア
of modelingモデリング the brain --
98
289011
3100
05:04
of "intelligentインテリジェントな machinery機械,"
as Alanアラン Turingチューリング calledと呼ばれる it,
99
292135
3085
コンピュータ科学の父の1人である
アラン・チューリングは
これを「知的機械」と呼びました
05:07
one of the fathers父親 of computerコンピューター science科学.
100
295244
1991
そしてウォーレン・マカロックと
ウォルター・ピッツが
05:09
Warrenウォーレン McCullochマカロック and Walterウォルター Pittsピッツ
looked見た at RamRAMón y Cajal'sカザル drawingお絵かき
101
297923
4632
ラモン・イ・カハールの
視覚野の図に 目を向けました
05:14
of visualビジュアル cortex皮質,
102
302579
1317
今 ここでお見せしているものです
05:15
whichどの I'm showing表示 here.
103
303920
1562
05:17
This is the cortex皮質 that processesプロセス
imageryイメージ that comes来る from the eye.
104
305506
4442
これは 目から受け取ったイメージを
処理する皮質です
05:22
And for them, this looked見た
like a circuit回路 diagram.
105
310424
3508
2人には これが
回路図のように見えました
05:26
So there are a lot of details詳細
in McCullochマカロック and Pitts'sピッツの circuit回路 diagram
106
314353
3835
マカロックとピッツの回路図の
細かい部分には
間違いが たくさんありますが
05:30
that are not quiteかなり right.
107
318212
1352
05:31
But this basic基本的な ideaアイディア
108
319588
1235
その基本的な概念
05:32
that visualビジュアル cortex皮質 works作品 like a seriesシリーズ
of computational計算上の elements要素
109
320847
3992
つまり 視覚野は一連の
計算要素のように働き
05:36
that passパス information情報
one to the next in a cascadeカスケード,
110
324863
2746
段階的に情報を
受け渡していくという概念は
05:39
is essentially基本的に correct正しい.
111
327633
1602
本質的に正しいものでした
05:41
Let's talk for a moment瞬間
112
329259
2350
ここで 少し時間を取って
05:43
about what a modelモデル for processing処理
visualビジュアル information情報 would need to do.
113
331633
4032
視覚情報処理が どんなことをするのか
説明しようと思います
05:48
The basic基本的な task仕事 of perception知覚
114
336228
2741
知覚の基本的な仕事は
05:50
is to take an image画像 like this one and say,
115
338993
4194
このような画像を見て 識別をすることです
05:55
"That's a bird,"
116
343211
1176
「あれは鳥だ」と
05:56
whichどの is a very simple単純 thing
for us to do with our brains頭脳.
117
344411
2874
人間の脳は
この処理を簡単にやってのけますが
05:59
But you should all understandわかる
that for a computerコンピューター,
118
347309
3421
コンピューターにとっては難問で
06:02
this was prettyかなり much impossible不可能
just a few少数 years ago.
119
350754
3087
数年前までは ほとんど不可能でした
06:05
The classicalクラシック computing計算 paradigmパラダイム
120
353865
1916
従来の コンピューターの構造は
06:07
is not one in whichどの
this task仕事 is easy簡単 to do.
121
355805
2507
こういうタスクには不向きなんです
06:11
So what's going on betweenの間に the pixelsピクセル,
122
359366
2552
鳥のピクセル画像と
06:13
betweenの間に the image画像 of the bird
and the wordワード "bird,"
123
361942
4028
「鳥」という言葉の間にあるのは
06:17
is essentially基本的に a setセット of neuronsニューロン
connected接続された to each other
124
365994
2814
ニューラルネットワークの中の
結合しあった 一連のニューロンです
06:20
in a neuralニューラル networkネットワーク,
125
368832
1155
図示すると こうなります
06:22
as I'm diagramming図の作成 here.
126
370011
1223
06:23
This neuralニューラル networkネットワーク could be biological生物学的,
inside内部 our visualビジュアル cortices皮質,
127
371258
3272
このニューラルネットワークは
視覚野内に生物学的なものとして存在し
06:26
or, nowadays今日は, we start開始
to have the capability能力
128
374554
2162
また最近では コンピューター上に
06:28
to modelモデル suchそのような neuralニューラル networksネットワーク
on the computerコンピューター.
129
376740
2454
モデル化できるようになりました
06:31
And I'll showショー you what
that actually実際に looks外見 like.
130
379834
2353
どのように動作するか お見せしましょう
06:34
So the pixelsピクセル you can think
about as a first layer of neuronsニューロン,
131
382211
3416
画像は ニューロンの
第1層を示しています
06:37
and that's, in fact事実,
how it works作品 in the eye --
132
385651
2239
これは目で言うと
網膜内のニューロンに相当します
06:39
that's the neuronsニューロン in the retina網膜.
133
387914
1663
06:41
And those feedフィード forward前進
134
389601
1500
情報は
ニューロンの1つの層から別の層へと
次々と受け渡され
06:43
into one layer after another別の layer,
after another別の layer of neuronsニューロン,
135
391125
3403
06:46
all connected接続された by synapsesシナプス
of different異なる weights重み.
136
394552
3033
ニューロン同士は 重みの異なる
シナプスでつながれています
06:49
The behavior動作 of this networkネットワーク
137
397609
1335
このネットワークの動作は
06:50
is characterized特徴付けられた by the strengths強み
of all of those synapsesシナプス.
138
398968
3284
シナプス結合の
強さによって変わり
06:54
Those characterize特徴付ける the computational計算上の
propertiesプロパティ of this networkネットワーク.
139
402276
3288
それが ネットワークの
計算的特徴を決めます
06:57
And at the end終わり of the day,
140
405588
1470
そうして最終的には
06:59
you have a neuronニューロン
or a small小さい groupグループ of neuronsニューロン
141
407082
2447
少数のニューロン群が反応し
07:01
that light up, saying言って, "bird."
142
409553
1647
「鳥」だと認識されます
07:03
Now I'm going to represent代表する
those three things --
143
411824
3132
ここで3つの対象物 ―
07:06
the input入力 pixelsピクセル and the synapsesシナプス
in the neuralニューラル networkネットワーク,
144
414980
4696
入力されたピクセル
ニューラルネットワーク内のシナプス
07:11
and bird, the output出力 --
145
419700
1585
出力である「鳥」
07:13
by three variables変数: x, w and y.
146
421309
3057
この3つを
「x」「w」「y」と置きましょう
07:16
There are maybe a million百万 or so x'sxの --
147
424853
1811
xは 画像中のピクセルなので
07:18
a million百万 pixelsピクセル in that image画像.
148
426688
1953
100万個くらいあり
07:20
There are billions何十億 or trillions数兆 of w'sw,
149
428665
2446
wは数十億から数兆個
07:23
whichどの represent代表する the weights重み of all
these synapsesシナプス in the neuralニューラル networkネットワーク.
150
431135
3421
ニューラルネット内の全シナプスの
結合強度を表します
07:26
And there's a very small小さい number of y'sy,
151
434580
1875
このネットワークからの
出力である
07:28
of outputs出力 that that networkネットワーク has.
152
436479
1858
yの個数はごくわずかです
07:30
"Bird" is only four4つの letters手紙, right?
153
438361
1749
「bird」は たった4文字ですよね?
07:33
So let's pretendふりをする that this
is just a simple単純 formula,
154
441088
3426
ここで 次の簡単な式が
成立すると仮定します
07:36
x "x" w = y.
155
444538
2163
x “×” w =y
07:38
I'm puttingパッティング the times in scare恐怖 quotes引用符
156
446725
2036
「かける」に引用符を付けたのは
07:40
because what's really
going on there, of courseコース,
157
448785
2280
この場面で実行される演算は
07:43
is a very complicated複雑な seriesシリーズ
of mathematical数学 operationsオペレーション.
158
451089
3046
実際には 非常に複雑な
数学的な計算だからです
1つの方程式があって
07:47
That's one equation方程式.
159
455172
1221
07:48
There are three variables変数.
160
456417
1672
3個の変数があります
07:50
And we all know
that if you have one equation方程式,
161
458113
2726
ご存じのように
3つの変数のうち 2つの値が分かれば
07:52
you can solve解決する one variable変数
by knowing知っている the other two things.
162
460863
3642
残りの変数の値も求められます
07:57
So the problem問題 of inference推論,
163
465158
3380
ここでの問題は
鳥の画像から
08:00
that is, figuring想像する out
that the picture画像 of a bird is a bird,
164
468562
2873
それが鳥だと推論する
ということでした
08:03
is this one:
165
471459
1274
08:04
it's where y is the unknown未知の
and w and x are known既知の.
166
472757
3459
つまり y が未知で
xとwが分かっています
08:08
You know the neuralニューラル networkネットワーク,
you know the pixelsピクセル.
167
476240
2459
画像 x と ネットワーク w は
与えられています
08:10
As you can see, that's actually実際に
a relatively比較的 straightforward簡単 problem問題.
168
478723
3327
ご覧のように
比較的単純な問題です
2と3を掛け合わせれば
答えは出ます
08:14
You multiplyかける two times three
and you're done完了.
169
482074
2186
我々が最近構築した
ニューラルネットワークでは
08:16
I'll showショー you an artificial人工的な neuralニューラル networkネットワーク
170
484862
2123
08:19
that we've私たちは built建てられた recently最近,
doing exactly正確に that.
171
487009
2296
まさに これを実行しています
08:21
This is runningランニング in realリアル time
on a mobileモバイル phone電話,
172
489634
2860
携帯電話上で
リアルタイムで処理をしています
08:24
and that's, of courseコース,
amazing素晴らしい in its own自分の right,
173
492518
3313
こんなに すごいことができるのも
現在の携帯電話では 1秒当たり
数十億~数兆の命令を
08:27
that mobileモバイル phones電話機 can do so manyたくさんの
billions何十億 and trillions数兆 of operationsオペレーション
174
495855
3468
実行できるからです
08:31
per〜ごと second二番.
175
499347
1248
08:32
What you're looking at is a phone電話
176
500619
1615
ご覧いただいているのは
08:34
looking at one after another別の
picture画像 of a bird,
177
502258
3547
携帯電話で次々に出す
鳥の画像に対し
08:37
and actually実際に not only saying言って,
"Yes, it's a bird,"
178
505829
2715
ニューラルネットが
「これは鳥だ」と言うだけでなく
08:40
but identifying識別 the species of bird
with a networkネットワーク of this sortソート.
179
508568
3411
鳥の種類まで
特定しているところです
08:44
So in that picture画像,
180
512890
1826
この式で言うと
08:46
the x and the w are known既知の,
and the y is the unknown未知の.
181
514740
3802
xとwが既知で yが未知の場合です
ここで 難しい部分を はしょっていました
08:50
I'm glossing光沢 over the very
difficult難しい part, of courseコース,
182
518566
2508
08:53
whichどの is how on earth地球
do we figure数字 out the w,
183
521098
3861
wは そもそも
どうやって求めたらいいのか
08:56
the brain that can do suchそのような a thing?
184
524983
2187
脳がやっているようなことですが
08:59
How would we ever learn学ぶ suchそのような a modelモデル?
185
527194
1834
人間は どうやって学ぶのでしょう?
09:01
So this processプロセス of learning学習,
of solving解決する for w,
186
529418
3233
この学習プロセス
wを解くという問題は
09:04
if we were doing this
with the simple単純 equation方程式
187
532675
2647
変数が数値の 簡単な式であれば
09:07
in whichどの we think about these as numbers数字,
188
535346
2000
どうすればよいか分かります
09:09
we know exactly正確に how to do that: 6 = 2 x w,
189
537370
2687
6=2×w を解くには
09:12
well, we divide分ける by two and we're done完了.
190
540081
3312
両辺を2で割れば済みます
09:16
The problem問題 is with this operatorオペレーター.
191
544001
2220
ここで問題になるのは
この演算子です
09:18
So, division分割 --
192
546823
1151
今 割り算をしましたが
09:19
we've私たちは used division分割 because
it's the inverseインバース to multiplication乗算,
193
547998
3121
それは割り算が
掛け算の逆演算だからです
09:23
but as I've just said,
194
551143
1440
しかし 先ほど言ったとおり
09:24
the multiplication乗算 is a bitビット of a lie嘘つき here.
195
552607
2449
掛け算と見るのには ウソがあり
09:27
This is a very, very complicated複雑な,
very non-linear非線形 operation操作;
196
555080
3326
実際には とても複雑な非線形演算で
09:30
it has no inverseインバース.
197
558430
1704
逆演算が存在しません
09:32
So we have to figure数字 out a way
to solve解決する the equation方程式
198
560158
3150
だから 除算演算子を使わずに
09:35
withoutなし a division分割 operatorオペレーター.
199
563332
2024
これを解かなければなりません
09:37
And the way to do that
is fairlyかなり straightforward簡単.
200
565380
2343
でも そのやり方はそう難しくありません
09:39
You just say, let's play遊びます
a little algebra代数 trickトリック,
201
567747
2671
代数学的な ちょっとしたワザを使うんです
09:42
and move動く the six6 over
to the right-hand右手 side of the equation方程式.
202
570442
2906
まず「6」を式の右辺に移します
09:45
Now, we're still usingを使用して multiplication乗算.
203
573372
1826
依然として乗算を使っています
09:47
And that zeroゼロ -- let's think
about it as an errorエラー.
204
575675
3580
そして 左辺の「0」を誤差と考えます
09:51
In other words言葉, if we've私たちは solved解決した
for w the right way,
205
579279
2515
つまり wを正しく求められれば
09:53
then the errorエラー will be zeroゼロ.
206
581818
1656
誤差の値は0になります
09:55
And if we haven't持っていない gotten得た it quiteかなり right,
207
583498
1938
wの値が 正しくない場合
誤差は0より大きくなります
09:57
the errorエラー will be greater大きい than zeroゼロ.
208
585460
1749
09:59
So now we can just take guesses推測
to minimize最小化する the errorエラー,
209
587233
3366
誤差の値が最小になるよう
推量をします
こういう処理なら
コンピューターは大得意です
10:02
and that's the sortソート of thing
computersコンピュータ are very good at.
210
590623
2687
最初の推測値として
10:05
So you've taken撮影 an initial初期 guess推測:
211
593334
1593
w=0では どうでしょう?
10:06
what if w = 0?
212
594951
1156
誤差は6です
10:08
Well, then the errorエラー is 6.
213
596131
1240
w=1の場合 誤差は4
10:09
What if w = 1? The errorエラー is 4.
214
597395
1446
マルコ・ポーロ式鬼ごっこのような調子で
10:10
And then the computerコンピューター can
sortソート of play遊びます Marcoマルコ Poloポロ,
215
598865
2367
10:13
and driveドライブ down the errorエラー close閉じる to zeroゼロ.
216
601256
2367
誤差を0に近づけていき
10:15
As it does that, it's getting取得
successive連続する approximations近似 to w.
217
603647
3374
そうやってwの近似値を求めます
通常 正解そのものにたどり着くことは
ありませんが
10:19
Typically典型的には, it never quiteかなり gets取得 there,
but after about a dozenダース stepsステップ,
218
607045
3656
10:22
we're up to w = 2.999,
whichどの is close閉じる enough十分な.
219
610725
4624
数十回繰り返すと w=2.999のような
十分近い値が求まります
10:28
And this is the learning学習 processプロセス.
220
616302
1814
これが 学習プロセスです
10:30
So remember思い出す that what's been going on here
221
618140
2730
ここで改めて 思い出してください
10:32
is that we've私たちは been taking取る
a lot of known既知の x'sxの and known既知の y'sy
222
620894
4378
私たちがやっていたのは
既知の xとyに対し
反復的プロセスによって
真ん中の wの値を求めるということです
10:37
and solving解決する for the w in the middle中間
throughを通して an iterative繰り返し processプロセス.
223
625296
3454
10:40
It's exactly正確に the same同じ way
that we do our own自分の learning学習.
224
628774
3556
これは人間がものごとを学習するのと
同じやり方です
10:44
We have manyたくさんの, manyたくさんの imagesイメージ as babies赤ちゃん
225
632354
2230
赤ちゃんのとき
たくさんの絵を見せられ
10:46
and we get told, "This is a bird;
this is not a bird."
226
634608
2633
「これは鳥 これは鳥じゃない」と
教わります
10:49
And over time, throughを通して iteration反復,
227
637714
2098
この学習を反復することで
10:51
we solve解決する for w, we solve解決する
for those neuralニューラル connections接続.
228
639836
2928
wを解いて
神経結合を作り出すんです
10:55
So now, we've私たちは held開催
x and w fixed一定 to solve解決する for y;
229
643460
4086
xと w に対して
y を求めるというのは
高速な日常的「知覚」です
10:59
that's everyday毎日, fast速い perception知覚.
230
647570
1847
w を求める方法を
先ほど考えましたが
11:01
We figure数字 out how we can solve解決する for w,
231
649441
1763
11:03
that's learning学習, whichどの is a lot harderもっと強く,
232
651228
1903
これは「学習」であり
ずっと難しいことです
11:05
because we need to do errorエラー minimization最小化,
233
653155
1985
なぜなら 多くの訓練例を使って
誤差を最小化する必要が
あるからです
11:07
usingを使用して a lot of trainingトレーニング examples.
234
655164
1687
11:08
And about a year ago,
Alexアレックス MordvintsevMordvintsev, on our teamチーム,
235
656875
3187
1年ほど前 私のチームの
アレックス・モードヴィンツェフは
11:12
decided決定しました to experiment実験
with what happens起こる if we try solving解決する for x,
236
660086
3550
既知の w と y に対して
x の値を求めるとどうなるか
11:15
given与えられた a known既知の w and a known既知の y.
237
663660
2037
実験してみることにしました
11:18
In other words言葉,
238
666124
1151
言い換えると
11:19
you know that it's a bird,
239
667299
1352
鳥に対してトレーニングされた
ニューラルネットが
11:20
and you already既に have your neuralニューラル networkネットワーク
that you've trained訓練された on birds,
240
668675
3303
鳥だと答えを出す
11:24
but what is the picture画像 of a bird?
241
672002
2344
「鳥の絵」はどんなものか
ということです
鳥を認識するネットワークを訓練するのと
同じ誤差最小化の手順が
11:27
It turnsターン out that by usingを使用して exactly正確に
the same同じ error-minimizationエラー最小化 procedure手順,
242
675034
5024
11:32
one can do that with the networkネットワーク
trained訓練された to recognize認識する birds,
243
680082
3430
この場合も使えることが
分かりました
11:35
and the result結果 turnsターン out to be ...
244
683536
3388
結果として出てきたのは —
一種の鳥の絵です
11:42
a picture画像 of birds.
245
690400
1305
11:44
So this is a picture画像 of birds
generated生成された entirely完全に by a neuralニューラル networkネットワーク
246
692814
3737
これは「鳥」を認識するように訓練した
ニューラルネットワークによって
生成された鳥のイメージです
11:48
that was trained訓練された to recognize認識する birds,
247
696575
1826
11:50
just by solving解決する for x
ratherむしろ than solving解決する for y,
248
698425
3538
yの値を求めるかわりに
反復によって xを求めたんです
11:53
and doing that iteratively繰り返し.
249
701987
1288
別の面白い例を 紹介しましょう
11:55
Here'sここにいる another別の fun楽しい example.
250
703732
1847
11:57
This was a work made
by Mikeマイク Tykaチカー in our groupグループ,
251
705603
3437
私のグループのマイク・タイカが
作ってくれたものです
12:01
whichどの he callsコール "Animal動物 Paradeパレード."
252
709064
2308
マイクは「動物のパレード」と呼んでました
12:03
It reminds思い出させる me a little bitビット
of Williamウィリアム Kentridge'sケントリッジ artworksアートワーク,
253
711396
2876
ウィリアム・ケントリッジの作品を
思わせます
12:06
in whichどの he makes作る sketchesスケッチ, rubs擦り傷 them out,
254
714296
2489
ケントリッジは
スケッチを描いては消し
また 描いては消しして
12:08
makes作る sketchesスケッチ, rubs擦り傷 them out,
255
716809
1460
アニメーションを作り出します
12:10
and creates作成する a movie映画 this way.
256
718293
1398
12:11
In this case場合,
257
719715
1151
この場合
マイクは 動物種の集合の中で
yの値を変えていて
12:12
what Mikeマイク is doing is varying変化する y
over the spaceスペース of different異なる animals動物,
258
720890
3277
12:16
in a networkネットワーク designed設計
to recognize認識する and distinguish区別する
259
724191
2382
動物の種類を識別するよう
設計された
12:18
different異なる animals動物 from each other.
260
726597
1810
ネットワークを使っています
12:20
And you get this strange奇妙な, Escher-likeエッシャーのような
morphモーフ from one animal動物 to another別の.
261
728431
3751
エッシャーのだまし絵のように
動物が別の動物へと変形していきます
12:26
Here he and Alexアレックス together一緒に
have tried試した reducing還元する
262
734221
4614
次は マイクとアレックスが
協力して作ったもので
y を二次元空間に
収めようと試みていて
12:30
the y'sy to a spaceスペース of only two dimensionsディメンション,
263
738859
2759
12:33
therebyそれによって making作る a map地図
out of the spaceスペース of all things
264
741642
3438
ネットワークが認識するもの
全てを含む空間の
地図を作っています
12:37
recognized認識された by this networkネットワーク.
265
745104
1719
この画像合成・画像生成を
12:38
Doing this kind種類 of synthesis合成
266
746847
2023
12:40
or generation世代 of imageryイメージ
over that entire全体 surface表面,
267
748894
2382
yの値を変化させながら
画面全体にわたって行うことで
12:43
varying変化する y over the surface表面,
you make a kind種類 of map地図 --
268
751300
2846
このような地図が できあがります
12:46
a visualビジュアル map地図 of all the things
the networkネットワーク knows知っている how to recognize認識する.
269
754170
3141
ネットワークが認識するものすべての
視覚地図です
12:49
The animals動物 are all here;
"armadilloアルマジロ" is right in that spotスポット.
270
757335
2865
いろんな動物が現れます
あそこにアルマジロがいますね
他のネットワークでも
同様の処理が実行できます
12:52
You can do this with other kinds種類
of networksネットワーク as well.
271
760919
2479
これは 人物の顔を見分ける―
12:55
This is a networkネットワーク designed設計
to recognize認識する faces,
272
763422
2874
顔認識のために設計された
ネットワークです
12:58
to distinguish区別する one face from another別の.
273
766320
2000
13:00
And here, we're puttingパッティング
in a y that says言う, "me,"
274
768344
3249
ここで yは「私」です
13:03
my own自分の face parametersパラメーター.
275
771617
1575
私の顔をパラメータにして
13:05
And when this thing solves解決する for x,
276
773216
1706
このネットワークを使い
xの値を求めると
13:06
it generates生成する this ratherむしろ crazy狂った,
277
774946
2618
かなり ぶっ飛んだ
画像が作られます
13:09
kind種類 of cubist立方体, surrealシュールレア,
psychedelicサイケデリック picture画像 of me
278
777588
4428
キュービズムというか シュールというか
サイケな感じの 私の絵です
複数の視点を
1つにまとめています
13:14
from multiple複数 pointsポイント of view見る at once一度.
279
782040
1806
このように 複数の視点が
1つになっている理由は
13:15
The reason理由 it looks外見 like
multiple複数 pointsポイント of view見る at once一度
280
783870
2734
このネットワークが あいまいさを除去する
設計になっているためです
13:18
is because that networkネットワーク is designed設計
to get rid除去する of the ambiguityあいまいさ
281
786628
3687
13:22
of a face beingであること in one poseポーズ
or another別の poseポーズ,
282
790339
2476
人の顔の見え方は
見る角度によって変わり
13:24
beingであること looked見た at with one kind種類 of lighting点灯,
another別の kind種類 of lighting点灯.
283
792839
3376
光の当たり方によっても
変わります
13:28
So when you do
this sortソート of reconstruction再建,
284
796239
2085
だから このような再構成を行う場合
13:30
if you don't use some sortソート of guideガイド image画像
285
798348
2304
ガイドとなる画像や
統計値がないと
13:32
or guideガイド statistics統計,
286
800676
1211
視点に関して
13:33
then you'llあなたは get a sortソート of confusion混乱
of different異なる pointsポイント of view見る,
287
801911
3765
混乱が生じるんです
あいまいさがあるためです
13:37
because it's ambiguousあいまいな.
288
805700
1368
13:39
This is what happens起こる if Alexアレックス uses用途
his own自分の face as a guideガイド image画像
289
807786
4223
ここでは 私の顔を再構成する
最適化プロセスで
13:44
during that optimization最適化 processプロセス
to reconstruct再構築する my own自分の face.
290
812033
3321
アレックスの顔の映像を
ガイドとして使っています
13:48
So you can see it's not perfect完璧な.
291
816284
2328
完璧とは言えず
13:50
There's still quiteかなり a lot of work to do
292
818636
1874
この最適化プロセスを
改善するために
13:52
on how we optimize最適化する
that optimization最適化 processプロセス.
293
820534
2453
やることは まだまだありますが
13:55
But you start開始 to get something
more like a coherentコヒーレントな face,
294
823011
2827
とりあえず
顔をガイドとして使うことで
統一感のあるイメージが
できるようになります
13:57
renderedレンダリング usingを使用して my own自分の face as a guideガイド.
295
825862
2014
別に 真っ白なキャンバスや
14:00
You don't have to start開始
with a blankブランク canvasキャンバス
296
828892
2501
ホワイトノイズから
始める必要はありません
14:03
or with white noiseノイズ.
297
831417
1156
xを求めるという場合
14:04
When you're solving解決する for x,
298
832597
1304
14:05
you can beginベギン with an x,
that is itself自体 already既に some other image画像.
299
833925
3889
xとして 何か別の画像から
出発してもいいんです
14:09
That's what this little demonstrationデモンストレーション is.
300
837838
2556
それを説明するデモを
お見せしましょう
14:12
This is a networkネットワーク
that is designed設計 to categorize分類する
301
840418
4122
これは 人工物であれ 動物であれ
14:16
all sortsソート of different異なる objectsオブジェクト --
man-made人工 structures構造, animals動物 ...
302
844564
3119
あらゆるものを分類するよう
設計されたネットワークです
14:19
Here we're starting起動
with just a picture画像 of clouds,
303
847707
2593
この雲の写真からスタートします
14:22
and as we optimize最適化する,
304
850324
1671
これを最適化すると
14:24
basically基本的に, this networkネットワーク is figuring想像する out
what it sees見える in the clouds.
305
852019
4486
このネットワークは
「雲の中に何が見えるか」を探します
14:28
And the more time
you spend費やす looking at this,
306
856931
2320
画面をじっと見ているうちに
14:31
the more things you alsoまた、
will see in the clouds.
307
859275
2753
雲の中に いろんなものが
見えてきます
これに顔認識ネットワークを使うと
幻覚っぽい映像になります
14:35
You could alsoまた、 use the face networkネットワーク
to hallucinate幻覚する into this,
308
863004
3375
14:38
and you get some prettyかなり crazy狂った stuffもの.
309
866403
1812
ちょっと頭がおかしくなりそうな
14:40
(Laughter笑い)
310
868239
1150
(笑)
14:42
Or, Mikeマイク has done完了 some other experiments実験
311
870401
2744
マイクはまた
14:45
in whichどの he takes that cloud image画像,
312
873169
3905
この雲の画像で 別の実験もしています
14:49
hallucinates幻覚, zoomsズームする, hallucinates幻覚,
zoomsズームする hallucinates幻覚, zoomsズームする.
313
877098
3507
幻視とズームを繰り返していくと
14:52
And in this way,
314
880629
1151
こんな感じに
14:53
you can get a sortソート of fugueフーガ state状態
of the networkネットワーク, I suppose想定する,
315
881804
3675
フーガのような 自由連想のような映像を
14:57
or a sortソート of free無料 association協会,
316
885503
3680
このネットワークから 作り出せます
ネットワークが
自分の尻尾を食べています
15:01
in whichどの the networkネットワーク
is eating食べる its own自分の tail.
317
889207
2227
15:03
So everyすべて image画像 is now the basis基礎 for,
318
891458
3421
それそれのイメージが
次のイメージのベースになっています
15:06
"What do I think I see next?
319
894903
1421
「次に 何が見える?
15:08
What do I think I see next?
What do I think I see next?"
320
896348
2803
次に 何が見える?
次に 何が見える?」という風に
15:11
I showed示した this for the first time in publicパブリック
321
899487
2936
ちなみに
このデモを 最初に披露したのは
15:14
to a groupグループ at a lecture講義 in Seattleシアトル
calledと呼ばれる "Higherより高い Education教育" --
322
902447
5437
シアトルで開かれた
「高等教育」と題した講演会で
マリファナが合法化された
直後のことでした
15:19
this was right after
marijuanaマリファナ was legalized合法化された.
323
907908
2437
15:22
(Laughter笑い)
324
910369
2415
(笑)
15:26
So I'd like to finish仕上げ up quickly早く
325
914627
2104
最後にまとめとして
この技術は お見せしたようなものに
限定されないことを指摘しておきます
15:28
by just noting注目 that this technology技術
is not constrained拘束された.
326
916755
4255
15:33
I've shown示された you purely純粋に visualビジュアル examples
because they're really fun楽しい to look at.
327
921034
3665
今回は視覚的にちょっと面白い例を
紹介しましたが
別に 視覚のテクノロジー
というわけではないんです
15:36
It's not a purely純粋に visualビジュアル technology技術.
328
924723
2451
我々の協力者でアーティストの
ロス・グッドウィンによる実験ですが
15:39
Our artistアーティスト collaborator協力者, Rossロス Goodwinグッドウィン,
329
927198
1993
15:41
has done完了 experiments実験 involving関与する
a cameraカメラ that takes a picture画像,
330
929215
3671
彼がカメラで写真を撮ると
15:44
and then a computerコンピューター in his backpackバックパック
writes書き込み a poem usingを使用して neuralニューラル networksネットワーク,
331
932910
4234
その写真の中身を元に
背負っているコンピューターが
ニューラルネットワークで
詩を書きます
15:49
basedベース on the contents内容 of the image画像.
332
937168
1944
15:51
And that poetry neuralニューラル networkネットワーク
has been trained訓練された
333
939136
2947
詩のニューラルネットワークは
20世紀の詩の 膨大なコーパスで
トレーニングされています
15:54
on a large corpusコーパス of 20th-century世紀 poetry.
334
942107
2234
15:56
And the poetry is, you know,
335
944365
1499
そうやって書かれた詩は
15:57
I think, kind種類 of not bad悪い, actually実際に.
336
945888
1914
どうして そう悪くないと思います
15:59
(Laughter笑い)
337
947826
1384
(笑)
16:01
In closing閉鎖,
338
949234
1159
まとめになりますが
16:02
I think that per〜ごと Michelangeloミケランジェロ,
339
950417
2132
ミケランジェロは正しかったと
16:04
I think he was right;
340
952573
1234
つくづく思います
16:05
perception知覚 and creativity創造性
are very intimately密接に connected接続された.
341
953831
3436
知覚と創造性とは
密接に結びついているんです
先ほどお見せした
ニューラルネットワークは
16:09
What we've私たちは just seen見た are neuralニューラル networksネットワーク
342
957611
2634
16:12
that are entirely完全に trained訓練された to discriminate差別する,
343
960269
2303
世の中の さまざまなものを区別するよう
16:14
or to recognize認識する different異なる
things in the world世界,
344
962596
2242
学習させたものですが
16:16
ableできる to be run走る in reverse, to generate生成する.
345
964862
3161
処理を逆転させて
新しいものを作り出すこともできます
16:20
One of the things that suggests提案する to me
346
968047
1783
そこで気づかされるのは
16:21
is not only that
Michelangeloミケランジェロ really did see
347
969854
2398
石の塊の中に 彫刻を見ることができるのは
16:24
the sculpture彫刻 in the blocksブロック of stone,
348
972276
2452
ミケランジェロだけではないということ
16:26
but that any creature生き物,
any beingであること, any alienエイリアン
349
974752
3638
どんな生物であれ どんな存在
地球外生命体だろうと
16:30
that is ableできる to do
perceptual知覚的 acts行為 of that sortソート
350
978414
3657
知覚を行う能力のあるものは
創造もできるということです
16:34
is alsoまた、 ableできる to create作成する
351
982095
1375
16:35
because it's exactly正確に the same同じ
machinery機械 that's used in bothどちらも cases症例.
352
983494
3224
どちらも同じメカニズムで
できることだからです
16:38
Alsoまた、, I think that perception知覚
and creativity創造性 are by no means手段
353
986742
4532
そして 知覚と創造は
決して 人間に限られたものではありません
16:43
uniquely一意に human人間.
354
991298
1210
私たちは そのようなことができる
コンピューターモデルを作り始めています
16:44
We start開始 to have computerコンピューター modelsモデル
that can do exactly正確に these sortsソート of things.
355
992532
3708
16:48
And that oughtすべきだ to be unsurprising驚くべき;
the brain is computational計算上の.
356
996264
3328
驚くことではありません
脳もまた計算機械だからです
16:51
And finally最後に,
357
999616
1657
最後に
16:53
computing計算 began始まった as an exercise運動
in designing設計 intelligentインテリジェントな machinery機械.
358
1001297
4668
コンピューティングは
知的機械の設計から始まり
16:57
It was very much modeledモデル化された after the ideaアイディア
359
1005989
2462
機械はいかに知的になれるか
という発想から
17:00
of how could we make machines機械 intelligentインテリジェントな.
360
1008475
3013
モデル化されましたが
今や我々は 昔の先駆者が
夢見た世界を
17:03
And we finally最後に are starting起動 to fulfill満たす now
361
1011512
2162
17:05
some of the promises約束
of those early早い pioneersパイオニア,
362
1013698
2406
ようやく実現させつつあります
チューリングやフォン・ノイマンの夢
17:08
of Turingチューリング and vonフォン Neumannノイマン
363
1016128
1713
17:09
and McCullochマカロック and Pittsピッツ.
364
1017865
2265
マカロックやピッツの夢を
17:12
And I think that computing計算
is not just about accounting会計
365
1020154
4098
コンピューティングは 会計処理だとか
キャンディークラッシュで
遊ぶだけのものではありません
17:16
or playing遊ぶ Candyキャンディー Crushクラッシュ or something.
366
1024276
2147
コンピューターはそもそも
人間の脳をモデルとしたものでしたが
17:18
From the beginning始まり,
we modeledモデル化された them after our minds.
367
1026447
2578
17:21
And they give us bothどちらも the ability能力
to understandわかる our own自分の minds better
368
1029049
3269
それは 人間の知性を
よりよく理解するためにも
人間の知性を拡張するためにも
使えるのです
17:24
and to extend拡張する them.
369
1032342
1529
17:26
Thank you very much.
370
1034627
1167
ありがとうございました
17:27
(Applause拍手)
371
1035818
5939
(拍手)
Translated by Kaori Nozaki
Reviewed by Yasushi Aoki

▲Back to top

ABOUT THE SPEAKER
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.

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?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee