TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
ბლეზ აგუერა ი არკასი: როგორ სწავლობენ კომპიუტერები შემოქმედებას
Filmed:
Readability: 4.4
1,934,067 views
ჩვენ ხელოვნებისა და შემოქმედების ახალ ეტაპზე გადავდივართ, თუმცა არა ადამიანის ხელით. Google-ის მთავარი მეცნიერ-თანამშრომელი, აგუერა ი არკასი, ნეირონულ ქსელებზე მუშაობს, რომლებიც მანქანური აღქმის და განაწილებული სწავლებისთვის გამოიყენება. ამ შთამბეჭდავი დემონსტრაციით, ის გვაჩვენებს, თუ როგორ შეუძლიათ გამოსახულებების ამოცნობაზე გაწვრთნილ ნეირონულ ქსელებს, უკუღმა გაშვების შემთხვევაში წარმოქმნან ისინი. შედეგად ვიღებთ მომაჯადოებელ, ჰალუცინაციურ კოლაჟებს (და ლექსებს!), რომლებიც ყოველგვარი კატეგორიების მიღმაა. "აღქმა და შემოქმედება ერთმანეთთან მჭიდროდაა დაკავშირებული" ამბობს აგუერა ი არკასი. "ნებისმიერ არსებას, რომელსაც აღქმის უნარი აქვს, შექმნაც შეუძლია."
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.
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
მე Google-ში ვხელმძღვანელობ ჯგუფს,
რომელიც მანქანურ ინტელექტზე მუშაობს.
რომელიც მანქანურ ინტელექტზე მუშაობს.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
სხვა სიტყვებით, ესაა საინჟინრო დისციპლინა,
რომელიც კომპიუტერებს და მოწყობილობებს
რომელიც კომპიუტერებს და მოწყობილობებს
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
აკეთებინებს იმას, რასაც ტვინები აკეთებენ.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
ამიტომ, ჩვენ ნამდვილი ტვინებითაც
00:26
and neuroscience as well,
4
14562
1289
და ნეირომეცნიერებითაც ვართ დაინტერესებული.
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
განსაკუთრებით ტვინის ისეთი ფუნქციებით,
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
რომლებიც ბევრად აღემატება კომპიუტერებისას.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
ისტორიულად, ერთ-ერთი ასეთი ფუნქცია აღქმაა.
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
პროცესი, რომლის შედეგადაც
მსოფლიოში არსებული
მსოფლიოში არსებული
00:43
sounds and images --
9
31905
1584
ხმები და გამოსახულებები,
00:45
can turn into concepts in the mind.
10
33513
2178
ტვინში წარმოდგენებად იქცევა.
00:48
This is essential for our own brains,
11
36235
2517
ეს ჩვენი ტვინის აუცილებელი ფუნქციაა
00:50
and it's also pretty useful on a computer.
12
38776
2464
და კომპიუტერისთვისაც საკმაოდ გამოსადეგი.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
ჩვენი გუნდის მიერ შექმნილი
მანქანური აღქმის ალგორითმების მაგალითია,
მანქანური აღქმის ალგორითმების მაგალითია,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
როცა Google-ის ფოტოებში სურათების მოძებნა,
01:00
based on what's in them.
15
48908
1397
მასზე არსებული
გამოსახულებითაა შესაძლებელი.
გამოსახულებითაა შესაძლებელი.
01:03
The flip side of perception is creativity:
16
51594
3493
აღქმის საპირისპირო მხარე შემოქმედებაა.
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
როცა წარმოდგენას რეალობად აქცევთ.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
გასულ წელს, მანქანურ აღქმაზე მუშაობამ,
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
მოულოდნელად მანქანურ შემოქმედებასთან
01:18
and machine art.
20
66635
1160
და მანქანურ ხელოვნებასთან დაგვაკავშირა.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
ვფიქრობ, მიქელანჯელოს აზრი
ორმხრივ დამოკიდებულებაზე
ორმხრივ დამოკიდებულებაზე
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
აღქმასა და შემოქმედებას შორის,
მართლაც შორსმჭვრეტელი იყო.
მართლაც შორსმჭვრეტელი იყო.
01:28
This is a famous quote of his:
23
76023
2006
მისი ეს ცნობილი ციტატა შემდეგია:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"ქვის ყოველი ბლოკის შიგნით ქანდაკებაა
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
და მოქანდაკის ამოცანაა ის აღმოაჩინოს"
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
მგონი, მიქელანჯელო იმას გულისხმობდა,
01:41
is that we create by perceiving,
27
89269
3180
რომ ჩვენ აღქმის წყალობით ვქმნით
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
და აღქმა თვითონაა წარმოსახვის აქტი
01:47
and is the stuff of creativity.
29
95520
2461
და მასალა შემოქმედებისთვის.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
ორგანო, რომელიც ამას ყველაფერს
ფიქრობს, აღიქვამს და წარმოიდგენს
ფიქრობს, აღიქვამს და წარმოიდგენს
01:54
of course, is the brain.
31
102640
1588
რა თქმა უნდა ტვინია.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
მინდა ტვინზე ჩვენი ცოდნის
01:59
about what we know about brains.
33
107658
2302
მოკლე ისტორიული მიმოხილვით დავიწყო.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
გულისგან და ნაწლავებისგან განსხვავებით,
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
ტვინს თუ შეხედავთ,
მასზე ბევრს ვერაფერს იტყვით,
მასზე ბევრს ვერაფერს იტყვით,
02:08
at least with the naked eye.
36
116134
1412
ყოველ შემთხვევაში შეუიარაღებელი თვალით.
02:09
The early anatomists who looked at brains
37
117983
2416
ადრეული ანატომები,
რომლებიც ტვინს აკვირდებოდნენ
რომლებიც ტვინს აკვირდებოდნენ
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
მის გარე სტრუქტურას
სხვადასხვა უცნაურ სახელებს არქმევდნენ,
სხვადასხვა უცნაურ სახელებს არქმევდნენ,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
მაგალითად, როგორც ჰიპოკამპი,
რაც "პატარა კრევეტს" ნიშნავს
რაც "პატარა კრევეტს" ნიშნავს
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
თუმცა, რა თქმა უნდა, ეს ყველაფერი,
ბევრს არაფერს გვეუბნება იმაზე,
ბევრს არაფერს გვეუბნება იმაზე,
02:21
about what's actually going on inside.
41
129499
2318
თუ რა ხდება სინამდვილეში შიგნით.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
ვფიქრობ, პირველი, ვინც რეალურად
შეიქმნა რაღაც წარმოდგენა მაინც,
შეიქმნა რაღაც წარმოდგენა მაინც,
02:28
into what was going on in the brain
43
136417
1930
თუ რა ხდებოდა ტვინში,
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
დიდი ესპანელი ნეიროანატომი
სანტიაგო რამონ ი კახალი იყო,
სანტიაგო რამონ ი კახალი იყო,
02:34
in the 19th century,
45
142315
1544
მე-19 საუკუნეში.
02:35
who used microscopy and special stains
46
143883
3755
მან მიკროსკოპი
და სპეციალური საღებავი გამოიყენა,
და სპეციალური საღებავი გამოიყენა,
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
რომლითაც ტვინის ცალკეული უჯრედები
შერჩევითად შეავსო
შერჩევითად შეავსო
02:43
the individual cells in the brain,
48
151856
2008
და კონტრასტული გახადა,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
რითიც მათი მორფოლოგია გაიგო.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
ესაა ნეირონების ის გამოსახულებები,
02:52
in the 19th century.
51
160887
1209
რომლებიც მან მე-19 საუკუნეში დახატა.
02:54
This is from a bird brain.
52
162120
1884
ეს ჩიტის ტვინია.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
აქ თქვენ უჯრედების
არაჩვეულებრივ მრავალფეროვნებას ხედავთ,
არაჩვეულებრივ მრავალფეროვნებას ხედავთ,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
ამ დროს უჯრედული თეორიაც კი,
საკმაოდ ახალი ხილი იყო.
საკმაოდ ახალი ხილი იყო.
03:02
And these structures,
55
170568
1278
მითუმეტეს, უჯრედთა სტრუქტურები
03:03
these cells that have these arborizations,
56
171870
2259
უჯრედთა ეს განშტოებები
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
და მათი ეს განტოტვა,
რომელიც ძალიან შორს მიდის,
რომელიც ძალიან შორს მიდის,
03:08
this was very novel at the time.
58
176785
1616
ეს ძალიან ახალი იყო.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
ისინი რა თქმა უნდა სადენებს გაგონებთ,
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
რაც შეიძლება უკვე ნაცნობი იყო
ზოგისთვის მე-19 საუკუნეში.
ზოგისთვის მე-19 საუკუნეში.
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
ელექტროფიკაცია სწორედ ამ დროს იწყებოდა.
03:21
But in many ways,
62
189964
1178
თუმცა, დიდი ანგარიშით,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
რამონ ი კახალის
ეს მიკრონატომიური გამოსახულებები
ეს მიკრონატომიური გამოსახულებები
03:26
they're still in some ways unsurpassed.
64
194503
2332
რაღაც მხრივ დღესაც შეუდარებელია.
03:28
We're still more than a century later,
65
196859
1854
ერთი საუკუნის შემდეგ,
ჩვენ ჯერ კიდევ ვცდილობთ
ჩვენ ჯერ კიდევ ვცდილობთ
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
რამონ ი კახალის მიერ
დაწყებული საქმის დასრულებას.
დაწყებული საქმის დასრულებას.
03:33
These are raw data from our collaborators
67
201586
3134
ეს ჩვენი კოლეგების მიერ მოპოვებული
დაუმუშავებელი მონაცემებია,
დაუმუშავებელი მონაცემებია,
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
მაქს პლანკის
ნეირომეცნიერების ინსტიტუტიდან.
ნეირომეცნიერების ინსტიტუტიდან.
03:39
And what our collaborators have done
69
207649
1790
ჩვენმა კოლეგებმა,
03:41
is to image little pieces of brain tissue.
70
209463
5001
ტვინის ქსოვილის პატარა ნაჭრები გამოსახეს.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
ეს მთელი ნიმუში
დაახლოებით 1 კუბური მილიმეტრია
დაახლოებით 1 კუბური მილიმეტრია
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
და მე აქ ძალიან პატარა ნაჭერს გაჩვენებთ.
03:52
That bar on the left is about one micron.
73
220483
2346
მარცხნივ, ეს ფირფიტა
დაახლოებით 1 მიკრონია.
დაახლოებით 1 მიკრონია.
03:54
The structures you see are mitochondria
74
222853
2409
სტრუქტურები, რომელსაც ხედავთ
03:57
that are the size of bacteria.
75
225286
2044
ბაქტერიის ზომის მიტოქონდრიებია.
03:59
And these are consecutive slices
76
227354
1551
ეს ქსოვილის ძალიან მცირე ბლოკის
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
მიმდევრობითი ჩამონაჭრებია.
04:04
Just for comparison's sake,
78
232101
2403
შედარებისთვის,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
თმის ერთი ღერის
საშუალო დიამეტრი 100 მიკრონია.
საშუალო დიამეტრი 100 მიკრონია.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
ანუ აქ ჩვენ ვუყურებთ
04:12
than a single strand of hair.
81
240642
1398
თმის ღერზე ბევრად პატარა რამეს.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
ამ მიკროსკოპული ჩამონაჭრების სერიიდან
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
შეიძლება 3 განზომილებიანი
ნეირონის მსგავსი რეკონსტრუქციების აწყობა.
ნეირონის მსგავსი რეკონსტრუქციების აწყობა.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
სტილით ისინი,
რამონ ი კახალის ნახატებს ჰგავს.
რამონ ი კახალის ნახატებს ჰგავს.
04:26
Only a few neurons lit up,
85
254332
1492
მხოლოდ ცალკეული ნეირონები ნათდება,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
სხვაგვარად ვერაფერს დავინახავდით.
04:30
It would be so crowded,
87
258653
1312
ისეთი გადაჭედილი იქნებოდა,
04:31
so full of structure,
88
259989
1330
სავსე სტრუქტურებითა
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
და გაყვანილობებით,
რომლებიც ერთ ნეირონს მეორესთან აერთებს
რომლებიც ერთ ნეირონს მეორესთან აერთებს
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
მაშ, რამონ ი კახალი დროს ცოტათი უსწრებდა
04:40
and progress on understanding the brain
91
268121
2555
და ტვინის გაგება ნელა პროგრესირებდა
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
შემდეგი რამდენიმე ათწლეულის მანძილზე.
04:45
But we knew that neurons used electricity,
93
273455
2853
თუმცა, ჩვენ ვიცოდით,
რომ ნეირონები ელექტრობას იყენებდნენ
რომ ნეირონები ელექტრობას იყენებდნენ
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
და მეორე მსოფლიო ომისთვის, ტექნოლოგია
საკმარისად განვითარებული იყო იმისთვის,
საკმარისად განვითარებული იყო იმისთვის,
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
რომ ცოცხალ ნეირონებზე ნამდვილი
ელექტრო ექსპერიმენტები ჩატარებულიყო
ელექტრო ექსპერიმენტები ჩატარებულიყო
04:54
to better understand how they worked.
96
282122
2106
იმისთვის რომ უკეთ შეგვესწავლა,
როგორ მუშაობენ ისინი.
როგორ მუშაობენ ისინი.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
ეს ზუსტად ის დროა,
როცა კომპიუტერები გამოიგონეს,
როცა კომპიუტერები გამოიგონეს,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
სწორედ ტვინის მოდელირებაზე,
ე.წ. "გონიერ მანქანაზე" დაფუძნებით,
ე.წ. "გონიერ მანქანაზე" დაფუძნებით,
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
როგორც მას კომპიუტერული მეცნიერების
ერთ-ერთმა მამამ,
ერთ-ერთმა მამამ,
05:07
one of the fathers of computer science.
100
295244
1991
ალან ტიურინგმა უწოდა.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
უორენ მაკკალოკმა და უოლტერ პიტსმა
შეხედეს რამონ ი კახალის ნახატებს,
შეხედეს რამონ ი კახალის ნახატებს,
05:14
of visual cortex,
102
302579
1317
რომელზეც მხედველობის ქერქი იყო
05:15
which I'm showing here.
103
303920
1562
ახლა სწორედ ამას ხედავთ.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
ტვინის ეს ქერქი თვალებიდან შემოსულ
გამოსახულებებს ამუშავებს
გამოსახულებებს ამუშავებს
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
მათთვის ეს შეკრული წრედის
დიაგრამასავით იყო.
დიაგრამასავით იყო.
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
მაკკალოკმა და პიტსის წრედის დიაგრამაში
05:30
that are not quite right.
107
318212
1352
ბევრი დეტალი მთლად ზუსტი არ არის,
05:31
But this basic idea
108
319588
1235
თუმცა ძირითადი იდეა,
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
რომ მხედველობის ქერქი მუშაობს,
როგორც გამოთვლითი ელემენტების სერია,
როგორც გამოთვლითი ელემენტების სერია,
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
რომლებიც ერთმანეთს
კასკადურად გადასცემენ ინფორმაციას,
კასკადურად გადასცემენ ინფორმაციას,
05:39
is essentially correct.
111
327633
1602
არსებითად სწორია.
05:41
Let's talk for a moment
112
329259
2350
მოდი, ერთი წუთით ვთქვათ
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
რა უნდა გააკეთოს ვიზუალური ინფორმაციის
დამუშავების მოდელმა
დამუშავების მოდელმა
05:48
The basic task of perception
114
336228
2741
აღქმის ძირითადი ამოცანაა,
05:50
is to take an image like this one and say,
115
338993
4194
აიღოს მსგავსი გამოსახულება და თქვას
05:55
"That's a bird,"
116
343211
1176
"ეს ჩიტია"
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
რაც ჩვენთვის ძალიან ადვილია
ტვინის გამოყენებით.
ტვინის გამოყენებით.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
თუმცა, ყველას უნდა გესმოდეთ,
რომ კომპიუტერისთვის
რომ კომპიუტერისთვის
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
სულ რაღაც რამდენიმე წლის წინ
ეს პრაქტიკულად შეუძლებელი იყო.
ეს პრაქტიკულად შეუძლებელი იყო.
06:05
The classical computing paradigm
120
353865
1916
კომპიუტერის კლასიკურ პარადიგმაში
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
მსგავსი რამის გაკეთება მარტივი არ არის.
06:11
So what's going on between the pixels,
122
359366
2552
მაშ, რაც ხდება პიქსელებს,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
ჩიტის გამოსახულებასა
და სიტყვა "ჩიტს" შორის,
და სიტყვა "ჩიტს" შორის,
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
არსებითად ნეირონების სიმრავლეა,
რომლებიც ერთმანეთს
რომლებიც ერთმანეთს
06:20
in a neural network,
125
368832
1155
ნეირონულ ქსელში უკავშირდება,
06:22
as I'm diagramming here.
126
370011
1223
როგორც დიაგრამაზე ხედავთ.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
ეს ნეირონული ქსელი შეიძლება იყოს
ბიოლოგიური, ჩვენ მხედველობის ქერქში,
ბიოლოგიური, ჩვენ მხედველობის ქერქში,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
ან დღესდღეობით, ჩვენ გვაქვს საშუალება
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
ასეთი ნეირონული ქსელების მოდელი
კომპიუტერში შევქმნათ.
კომპიუტერში შევქმნათ.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
გაჩვენებთ სინამდვილეში
ეს როგორ გამოიყურება.
ეს როგორ გამოიყურება.
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
პიქსელები ნეირონების პირველ შრედ
შეიძლება წარმოვიდგინოთ
შეიძლება წარმოვიდგინოთ
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
ფაქტიურად ასე მუშაობს თვალიც...
06:39
that's the neurons in the retina.
133
387914
1663
ეს არის ნეირონები რეტინაში.
06:41
And those feed forward
134
389601
1500
ისინი აწვდიან ინფორმაციას
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
ნეირონების ზედა შრეს
და შემდეგ შრეებს, ერთი მეორის მიყოლებით,
და შემდეგ შრეებს, ერთი მეორის მიყოლებით,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
ისინი ყველა ერთმანეთს
სხვადასხვა წონის სინაფსებით უკავშირდება.
სხვადასხვა წონის სინაფსებით უკავშირდება.
06:49
The behavior of this network
137
397609
1335
ამ ქსელის ქცევა,
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
სინაფსების ძალებით ხასიათდება.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
ისინი ქსელის გამოთვლით
თვისებებს ახასიათებენ.
თვისებებს ახასიათებენ.
06:57
And at the end of the day,
140
405588
1470
და საბოლოოდ ვიღებთ
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
ნეირონს ან ნეირონების მცირე ჯგუფს,
07:01
that light up, saying, "bird."
142
409553
1647
რომლებიც ნათდებიან და ამბობენ "ჩიტი"
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
ვაპრებ შემდეგი სამი რამ:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
შემავალი პიქსელები,
სინაფსები ნეირონული ქსელში
სინაფსები ნეირონული ქსელში
07:11
and bird, the output --
145
419700
1585
და შედეგი - ჩიტი,
07:13
by three variables: x, w and y.
146
421309
3057
სამ ცვლადად წარმოგიდგინოთ:
x, w და y.
x, w და y.
07:16
There are maybe a million or so x's --
147
424853
1811
გვაქვს სადღაც ალბათ მილიონი x.
07:18
a million pixels in that image.
148
426688
1953
მილიონი პიქსელი ამ გამოსახულებაში.
07:20
There are billions or trillions of w's,
149
428665
2446
არსებობს მილიარდობით, ან ტრილიონობით w,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
რაც ნეირონულ ქსელში
თითოეული სინაფსის წონას წარმოადგენს.
თითოეული სინაფსის წონას წარმოადგენს.
07:26
And there's a very small number of y's,
151
434580
1875
და y-ები ძალიან მცირე რაოდენობით.
07:28
of outputs that that network has.
152
436479
1858
რაც ქსელიდან გამომავალი შედეგებია.
07:30
"Bird" is only four letters, right?
153
438361
1749
"ჩიტი" მხოლოდ ოთხი ასოსგან შედგება.
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
წარმოვიდგინოთ შემდეგი მარტივი ფორმულა:
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
გამრავლების ნიშანი ბრჭყალებში ჩავსვი,
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
რადგან, რა თქმა უნდა,
სინამდვილეში ამ ადგილას,
სინამდვილეში ამ ადგილას,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
ძალიან რთული
მათემატიკური ოპერაციების წყებაა.
მათემატიკური ოპერაციების წყებაა.
07:47
That's one equation.
159
455172
1221
ეს ერთი განტოლებაა
07:48
There are three variables.
160
456417
1672
და სამი ცვლადი.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
ჩვენ ვიცით,
რომ თუ გვაქვს ერთი განტოლება,
რომ თუ გვაქვს ერთი განტოლება,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
შეგვძილია ის ერთი ცვლადის მიმართ ამოვხსნათ
თუ დანარჩენი ორი ცნობილია.
თუ დანარჩენი ორი ცნობილია.
07:57
So the problem of inference,
163
465158
3380
მაშ, ამოცნობის პრობლემა,
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
ანუ, იმის დადგენა, რომ ჩიტის სურათზე
ჩიტია გამოსახული
ჩიტია გამოსახული
08:03
is this one:
165
471459
1274
შემდეგზე დადის:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
y უცნობია და w და x კი - ცნობილი.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
ვიცით ნეირონული ქსელი
და ვიცით პიქსელები.
და ვიცით პიქსელები.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
როგორც ხედავთ,
ეს შედარებით სწორხაზოვანი ამოცანაა.
ეს შედარებით სწორხაზოვანი ამოცანაა.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
ორს სამზე გაამრავლებთ და მორჩა.
08:16
I'll show you an artificial neural network
170
484862
2123
მე გაჩვენებთ ხელოვნურ ნეირონულ ქსელს,
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
რომელიც ცოტა ხნის წინ, ზუსტად ასე ავაგეთ.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
ის მობილურ ტელეფონზე მუშა რეჟიმშია
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
და რა თქმა უნდა, თავისთავად საოცრებაა,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
რომ მობილურ ტელეფონებს ამდენი
მილიარდობით და ტრილიონობით ოპერაციების
მილიარდობით და ტრილიონობით ოპერაციების
08:31
per second.
175
499347
1248
შესრულება შეუძლიათ წამში.
08:32
What you're looking at is a phone
176
500619
1615
ჩვენ ვხედავთ ტელეფონს,
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
რომელიც უყურებს ჩიტის სურათებს
ერთი მეორის მიყოლებით
ერთი მეორის მიყოლებით
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
და არა მხოლოდ ამბობს: "დიახ, ეს ჩიტია",
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
არამედ ამგვარი ქსელის გამოყენებით,
ადგენს მის სახეობას.
ადგენს მის სახეობას.
08:44
So in that picture,
180
512890
1826
მაშ, ამ სურათში,
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 და w ცნობილია, y - უცნობი.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
მე, რა თქმა უნდა,
ვტოვებ იმ ურთულეს ნაწილს,
ვტოვებ იმ ურთულეს ნაწილს,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
თუ როგორ ვახერხებთ w-ს გაგებას,
08:56
the brain that can do such a thing?
184
524983
2187
ტვინისას, რომელსაც ამის გაკეთება შეუძლია?
08:59
How would we ever learn such a model?
185
527194
1834
როგორ დავადგინოთ ეს მოდელი?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
w-ს გაგების ეს პროცესი
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
თუ ამას მარტივი განტოლებიდან ვაკეთებთ,
09:07
in which we think about these as numbers,
188
535346
2000
რომელშიც ცვლადებს რიცხვებად წარმოვიდგენთ,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
ზუსტად ვიცით ეს როგორ გავაკეთოთ:
6 = 2 x w,
6 = 2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
ვყოფთ 2-ზე და დამთავრდა.
09:16
The problem is with this operator.
191
544001
2220
პრობლემა სწორედ ამ ოპერაციაშია,
09:18
So, division --
192
546823
1151
გაყოფაში...
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
ჩვენ ვიყენებთ გაყოფას,
რადგან ის გამრავლების საპირისპიროა,
რადგან ის გამრავლების საპირისპიროა,
09:23
but as I've just said,
194
551143
1440
მაგრამ როგორც გითხარით,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
ეს მთლად გამრავლება არ არის.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
ეს ურთულესი, ძალიან არაწრფივი ოპერაციაა,
09:30
it has no inverse.
197
558430
1704
რომელსაც საპირისპირო არ გააჩნია.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
ამიტომ, ამ განტოლების ამოხსნა
09:35
without a division operator.
199
563332
2024
გაყოფის ოპერაციის გარეშე უნდა მოვახერხოთ.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
ამის გაკეთება კი,
საკმაოდ მარტივად შეიძლება.
საკმაოდ მარტივად შეიძლება.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
უბრალოდ, პატარა ალგებრული ხრიკი ვიხმაროთ
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
და 6-იანი განტოლების
მარჯვენა მხარეს გადავიტანოთ.
მარჯვენა მხარეს გადავიტანოთ.
09:45
Now, we're still using multiplication.
203
573372
1826
ახლა, ისევ გამრავლება გვაქვს
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
და ეს ნული....
მოდი ის "ცდომილებად" წარმოვიდგინოთ.
მოდი ის "ცდომილებად" წარმოვიდგინოთ.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
სხვა სიტყვებით,
w-ის მიმართ სწორად თუ ამოვხსნით,
w-ის მიმართ სწორად თუ ამოვხსნით,
09:53
then the error will be zero.
206
581818
1656
მაშინ ცდომილება 0 იქნება.
09:55
And if we haven't gotten it quite right,
207
583498
1938
ხოლო, თუ შევცდებით,
09:57
the error will be greater than zero.
208
585460
1749
ცდომილება 0-ზე მეტი უნდა იყოს.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
მაშ, ახლა უკვე ვარაუდით,
შეგვიძლია ცდომილება მინიმუმზე დავიყვანოთ.
შეგვიძლია ცდომილება მინიმუმზე დავიყვანოთ.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
სწორედ ამაში არიან კომპიუტერები
ძალიან ძლიერები.
ძალიან ძლიერები.
10:05
So you've taken an initial guess:
211
593334
1593
მაშ, პირველადი ვარაუდი:
10:06
what if w = 0?
212
594951
1156
იქნებ w = 0?
10:08
Well, then the error is 6.
213
596131
1240
მაშინ ცდომილება იქნება 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
ახლა ვცადოთ w = 1? ცდომილებაა 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
შემდეგ კომპიუტერს შეუძლია
"გამოცნობა" ითამაშოს
"გამოცნობა" ითამაშოს
10:13
and drive down the error close to zero.
216
601256
2367
და ცდომილება 0-ს მიუახლოვოს.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
ამით ის w-ს მიმდევრობით მიახლოებებს იგებს.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
როგორც წესი, ზუსტად ვერასდროს გაიგებს,
მაგრამ ათეული ბიჯის შემდეგ,
მაგრამ ათეული ბიჯის შემდეგ,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
ჩვენ ვიღებთ w = 2.999,
რაც საკმარისი მიახლოებაა.
რაც საკმარისი მიახლოებაა.
10:28
And this is the learning process.
220
616302
1814
ესაა შესწავლის პროცესი.
10:30
So remember that what's been going on here
221
618140
2730
გაგახსენებთ რას ვაკეთებთ.
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
ვიღებთ უამრავ ცნობილ x-ს და y-ს
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
და იტერაციული პროცესის გამოყენებით
ვიგებთ w-ს.
ვიგებთ w-ს.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
ზუსტად ასე ვსწავლობთ ჩვენც.
10:44
We have many, many images as babies
225
632354
2230
ბავშვობაში უამრავ გამოსახულებას ვხედავთ
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
და გვეუბნებიან: "ესაა ჩიტი, ეს არაა ჩიტი"
10:49
And over time, through iteration,
227
637714
2098
და დროთა განმავლობაში, იტერაციით,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
ჩვენ ვიგებთ w-ს
და ვაგებთ ნეიონულ კავშირებს.
და ვაგებთ ნეიონულ კავშირებს.
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
მაშ, ახლა ვიცით x და w
და შეგვიძლია y-სთვის ამოვხსნათ;
და შეგვიძლია y-სთვის ამოვხსნათ;
10:59
that's everyday, fast perception.
230
647570
1847
ეს ყოველდღიური სწრაფი აღქმაა.
11:01
We figure out how we can solve for w,
231
649441
1763
ჩვენ ვარკვევთ როგორ გავიგოთ w,
11:03
that's learning, which is a lot harder,
232
651228
1903
ეს შესწავლაა, რაც ბევრად უფრო რთულია,
11:05
because we need to do error minimization,
233
653155
1985
რადგან უამრავ მაგალითზე
წვრთნის გამოყენებით,
წვრთნის გამოყენებით,
11:07
using a lot of training examples.
234
655164
1687
ცდომილების მინიმიზაცია გვიწევს.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
დაახლოებით 1 წლის წინ,
ჩვენი გუნდის წევრმა, ალექს მორდვინცევმა,
ჩვენი გუნდის წევრმა, ალექს მორდვინცევმა,
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
გადაწყვიტა ჩაეტარებინა განტოლების
x-ის მიმართ ამოხსნის ექსპერიმენტი,
x-ის მიმართ ამოხსნის ექსპერიმენტი,
11:15
given a known w and a known y.
237
663660
2037
მაშინ როცა w და y ცნობილია.
11:18
In other words,
238
666124
1151
სხვა სიტყვებით,
11:19
you know that it's a bird,
239
667299
1352
ვიცით, რომ ეს ჩიტია
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
და გვაქვს ნეირონული ქსელი,
რომელსაც ჩიტების ამოცნობა შეუძლია,
რომელსაც ჩიტების ამოცნობა შეუძლია,
11:24
but what is the picture of a bird?
241
672002
2344
მაგრამ როგორი იქნება ჩიტის გამოსახულება?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
აღმოჩნდა, რომ ზუსტად ისეთივე ცდომილების
შემამცირებელი პროცედურის გამოყენებით
შემამცირებელი პროცედურის გამოყენებით
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
შეგვიძლია ეს ჩიტების ამოცნობაზე გაწვრთნილ
ნეირონულ ქსელს გავუკეთოთ
ნეირონულ ქსელს გავუკეთოთ
11:35
and the result turns out to be ...
244
683536
3388
და შედეგი...
11:42
a picture of birds.
245
690400
1305
ჩიტების გამოსახულებაა.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
მაშ, ჩიტების ეს გამოსახულება, მთლიანად
ისეთი ნეირონული ქსელის მიერაა შექმნილი,
ისეთი ნეირონული ქსელის მიერაა შექმნილი,
11:48
that was trained to recognize birds,
247
696575
1826
რომლებიც ჩიტების ამოცნობაზეა გაწვრთნილი.
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
ეს შესაძლებელი გახდა
მხოლოდ y-ის ნაცვლად x მიმართ
მხოლოდ y-ის ნაცვლად x მიმართ
11:53
and doing that iteratively.
249
701987
1288
იტერაციული ამოხსნით.
11:55
Here's another fun example.
250
703732
1847
აი, კიდევ ერთი სახალისო მაგალითი.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
ეს ჩვენი ჯგუფის წევრის,
მაიკ ტაიკას გაკეთებულია.
მაიკ ტაიკას გაკეთებულია.
12:01
which he calls "Animal Parade."
252
709064
2308
მან ამას "ცხოველების აღლუმი" დაარქვა.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
ეს ცოტათი უილიამ კენტრიჯის
შემოქმედებას მაგონებს,
შემოქმედებას მაგონებს,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
სადაც ის ესკიზებს აკეთებს,
შემდეგ შლის,
შემდეგ შლის,
12:08
makes sketches, rubs them out,
255
716809
1460
შემდეგ ისევ ხატავს, შემდეგ შლის
12:10
and creates a movie this way.
256
718293
1398
და ასე ქმნის ფილმს.
12:11
In this case,
257
719715
1151
ამ შემთხვევაში
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
მაიკი ცვლის y-ს
სხვადასხვა ცხოველების სივრცეზე
სხვადასხვა ცხოველების სივრცეზე
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
ქსელში, რომელიც სხვადასხვა ცხოველების
12:18
different animals from each other.
260
726597
1810
ამოსაცნობად და გასარჩევადაა შექმნილი.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
შედეგად იღებთ, რაღაც ეშერის სტილში,
მორფულ გადასვლებს ცხოველებს შორის.
მორფულ გადასვლებს ცხოველებს შორის.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
აქ, მან და ალექსმა
ერთად სცადეს შეემცირებინათ
ერთად სცადეს შეემცირებინათ
12:30
the y's to a space of only two dimensions,
263
738859
2759
y-ების სიმრავლე
მხოლოდ ორგანზომილებიან სივრცეზე
მხოლოდ ორგანზომილებიან სივრცეზე
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
რითიც მიიღეს, ამ ქსელის მიერ
ყველა ამოცნობადი ობიექტისგან
ყველა ამოცნობადი ობიექტისგან
12:37
recognized by this network.
265
745104
1719
შემდგარი სივრცის რუკა.
12:38
Doing this kind of synthesis
266
746847
2023
მსგავსი სინთეზის გაკეთებისას,
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
ან გამოსახულებების გენერირებით
მთელ ზედაპირზე,
მთელ ზედაპირზე,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
y-ის ცვლილებით ზედაპირზე,
თქვენ ქმნით გარკვეულ რუკას.
თქვენ ქმნით გარკვეულ რუკას.
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
იმ ყველაფრის ვიზუალურ რუკას,
რისი ამოცნობაც ქსელს შეუძლია.
რისი ამოცნობაც ქსელს შეუძლია.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
ყველა ცხოველი აქაა;
"ჯავშნოსანი" ზუსტად ამ წერტილშია.
"ჯავშნოსანი" ზუსტად ამ წერტილშია.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
ამის გაკეთება,
სხვა სახის ქსელებშიც შეგიძლიათ.
სხვა სახის ქსელებშიც შეგიძლიათ.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
ეს სახეების ამოსაცნობად შექმნილი ქსელია,
12:58
to distinguish one face from another.
273
766320
2000
რომელიც ერთ სახეს მეორისგან ასხვავებს.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
და აქ ვამატებთ y, რომელიც არის "მე",
13:03
my own face parameters.
275
771617
1575
ჩემი სახის პარამეტრები.
13:05
And when this thing solves for x,
276
773216
1706
როცა ამას x მიმართ ვხსნით,
13:06
it generates this rather crazy,
277
774946
2618
ვიღებთ ჩემს საკმაოდ გიჟურ,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
კუბისტურ, სურეალისტურ,
ფსიქოდელიურ სურათს,
ფსიქოდელიურ სურათს,
13:14
from multiple points of view at once.
279
782040
1806
სხვადასხვა კუთხიდან ერთდროულად.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
ის ერთდროულად სხვადასხვა კუთხიდან
დანახულს იმიტომ ჰგავს,
დანახულს იმიტომ ჰგავს,
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
რომ ეს ქსელი ცდილობს
გათავისუფლდეს იმ გაურკვევლობისგან,
გათავისუფლდეს იმ გაურკვევლობისგან,
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
რომელიც სახის სხვადასხვა მდგომარეობაში,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
ან სხვადასხვა განათების პირობებში
ყოფნას ახლავს.
ყოფნას ახლავს.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
ამიტომ, როცა მსგავს
რეკონსტრუქციას აკეთებთ,
რეკონსტრუქციას აკეთებთ,
13:30
if you don't use some sort of guide image
285
798348
2304
თუ საფუძვლად არ გამოიყენებთ
რაღაც ტიპის სურათს,
რაღაც ტიპის სურათს,
13:32
or guide statistics,
286
800676
1211
ან სტატისტიკას,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
მიიღებთ სხვადასხვა თვალთახედვის აღრევას,
13:37
because it's ambiguous.
288
805700
1368
რადგან ადგილი აქვს გაურკვევლობას.
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
აი, რა მოხდება თუ ალექსი
ჩემი სახის რეკონსტრუქციისთვის,
ჩემი სახის რეკონსტრუქციისთვის,
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
ოპტიმიზაციის პროცესში საფუძვლად
საკუთარ სახეს გამოიყენებს.
საკუთარ სახეს გამოიყენებს.
13:48
So you can see it's not perfect.
291
816284
2328
როგორც ხედავთ იდეალური არაა.
13:50
There's still quite a lot of work to do
292
818636
1874
კიდევ ბევრი სამუშაოა ჩასატარებელი
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
თუ როგორ მოვახდინოთ
ოპტიმიზაციის პროცესის ოპტიმიზება.
ოპტიმიზაციის პროცესის ოპტიმიზება.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
თუმცა, უკვე ვიღებთ,
რაღაც უფრო გამოკვეთილი სახის მსგავსს,
რაღაც უფრო გამოკვეთილი სახის მსგავსს,
13:57
rendered using my own face as a guide.
295
825862
2014
როცა საფუძვლად ჩემს სახეს ვიყენებთ.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
არ არის აუცილებელი სუფთა ფურცლიდან,
14:03
or with white noise.
297
831417
1156
ან თეთრი ხმაურიდან დაიწყოთ,
14:04
When you're solving for x,
298
832597
1304
როცა x-ის მიმართ ხსნით.
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
შეგიძლიათ დაიწყოთ x-ით,
რომელიც თავისთავად რაღაც გამოსახულებაა.
რომელიც თავისთავად რაღაც გამოსახულებაა.
14:09
That's what this little demonstration is.
300
837838
2556
ეს არის ამის პატარა დემონსტრირება.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
ეს არის ქსელი, რომელიც შექმნილია
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
სხვადასხვა ობიექტების, ხელოვნური
სტრუქტურების, ცხოველების კატეგორიზებისთვის
სტრუქტურების, ცხოველების კატეგორიზებისთვის
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
ვიწყებთ მხოლოდ ღრუბლების გამოსახულებით
14:22
and as we optimize,
304
850324
1671
და ოპტიმიზაციასთან ერთად,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
ქსელი არკვევს, თუ რას ხედავს ის ღრუბლებში.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
რაც უფრო დიდხანს უყურებთ,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
თქვენც მით უფრო მეტ რამეს
დაინახავთ ღრუბლებში.
დაინახავთ ღრუბლებში.
თქვენ ასევე შეგიძლიათ ჰალუცინაციებისთვის,
სახის ამომცნობი ქსელი გამოიყენოთ
სახის ამომცნობი ქსელი გამოიყენოთ
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
14:38
and you get some pretty crazy stuff.
309
866403
1812
და საკმაოდ გიჟურ რამეებს მიიღებთ.
14:40
(Laughter)
310
868239
1150
(სიცილი)
14:42
Or, Mike has done some other experiments
311
870401
2744
მაიკმა კიდევ სხვა ექსპერიმენტებიც ჩაატარა,
14:45
in which he takes that cloud image,
312
873169
3905
რომლებშიც ის იღებს
ღრუბლების გამოსახულებას,
ღრუბლების გამოსახულებას,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
ჰალუცინირებს, აახლოვებს, ჰალუცინირებს,
აახლოვებსს, ჰალუცინირებს, აახლოვებს.
აახლოვებსს, ჰალუცინირებს, აახლოვებს.
14:52
And in this way,
314
880629
1151
და ამგვარად, შეგიძლიათ მიიღოთ
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
ქსელის დისოციაციური მდგომარეობის მაგვარი,
14:57
or a sort of free association,
316
885503
3680
ან რაღაც თავისუფალი ასოციაციების მაგვარი,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
რომელშიც ქსელი საკუთარ კუდს ჭამს.
15:03
So every image is now the basis for,
318
891458
3421
ანუ, ყოველი გამოსახულება საფუძვლად უდევს:
15:06
"What do I think I see next?
319
894903
1421
"რას დავინახავ შემდეგ?
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
რას დავინახავ შემდეგ?
რას დავინახავ შემდეგ?"
რას დავინახავ შემდეგ?"
15:11
I showed this for the first time in public
321
899487
2936
პირველად ეს საჯაროდ
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
სიეტლში ვაჩვენე, ლექციაზე სახელად
"უმაღლესი განათლება"...
"უმაღლესი განათლება"...
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
სწორედ მარიხუანას ლეგაიზაციის შემდეგ.
15:22
(Laughter)
324
910369
2415
(სიცილი)
15:26
So I'd like to finish up quickly
325
914627
2104
მინდა სწრაფათ დავასრულო იმით,
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
რომ ეს ტექნოლოგია შეუზღუდავია.
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
მე მხოლოდ ვიზუალური მაგალითები გაჩვენეთ,
იმიტომ რომ ისინი სახალისო სანახავია.
იმიტომ რომ ისინი სახალისო სანახავია.
15:36
It's not a purely visual technology.
328
924723
2451
ეს არაა მხოლოდ ვიზუალური ტექნოლოგია.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
ჩვენმა თანამშრომელმა,
მხატვარმა, როს გუდუინმა,
მხატვარმა, როს გუდუინმა,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
ექსპერიმენტები კამერის გამოყენებით ჩაატარა
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
და მის ზურჩანთაში მყოფი კომპიუტერი
ნეირონული ქსელის გამოყენებით ლექსებს წერს,
ნეირონული ქსელის გამოყენებით ლექსებს წერს,
15:49
based on the contents of the image.
332
937168
1944
მის მიერ გადაღებული სურათების
შითავისის საფუძველზე.
შითავისის საფუძველზე.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
ეს პოეტური ნეირონული ქსელი
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
მე-20 საუკუნის პოეზიის
დიდ კრებულზეა გაწვრთნილი.
დიდ კრებულზეა გაწვრთნილი.
15:56
And the poetry is, you know,
335
944365
1499
და ეს პოეზია, ვფიქრობ,
15:57
I think, kind of not bad, actually.
336
945888
1914
არც ისე ცუდია, პრინციპში.
15:59
(Laughter)
337
947826
1384
(სიცილი)
16:01
In closing,
338
949234
1159
და ბოლოს,
16:02
I think that per Michelangelo,
339
950417
2132
ვფიქრობ მიქელანჯელო
16:04
I think he was right;
340
952573
1234
მართალი იყო;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
აღქმა და შემოქმედება,
ძალიან მჭიდროდაა დაკავშირებული.
ძალიან მჭიდროდაა დაკავშირებული.
16:09
What we've just seen are neural networks
342
957611
2634
ახლა ჩვენ ვნახეთ ნეირონული ქსელები,
16:12
that are entirely trained to discriminate,
343
960269
2303
რომლებიც გაწვრთნილები არიან გაარჩიონ
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
და ამოიცნონ
სხვადასხვა ობიექტები მსოფლიოში.
სხვადასხვა ობიექტები მსოფლიოში.
16:16
able to be run in reverse, to generate.
345
964862
3161
მათ შეუძლიათ უკუღმა გაეშვან
და შექმნან.
და შექმნან.
16:20
One of the things that suggests to me
346
968047
1783
ერთ-ერთი რასაც ეს მაჩვენებს
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
არა მხოლოდ ისაა,
რომ მიქელანჯელო მართლაც ხედავდა
რომ მიქელანჯელო მართლაც ხედავდა
16:24
the sculpture in the blocks of stone,
348
972276
2452
ქანდაკებას ქვის ბლოკებში,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
არამედ, რომ ნებისმიერი ქმნილება,
ნებისმიერი არსება, უცხოპლანეტელი,
ნებისმიერი არსება, უცხოპლანეტელი,
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
რომელსაც მსგავსი აღქმის უნარი აქვს,
16:34
is also able to create
351
982095
1375
შეუძლია შექმნას კიდეც,
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
რადგან ორივე შემთხვევაში
ზუსტად ერთნაირი მექანიზმი გამოიყენება.
ზუსტად ერთნაირი მექანიზმი გამოიყენება.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
ასევე ვფიქრობ, რომ აღქმა და შემოქმედება
სულაც არ არის
სულაც არ არის
16:43
uniquely human.
354
991298
1210
უნიკალურად ადამიანური.
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
ჩვენ უკვე გვაქვს კოპიუტერული მოდელები,
რომლებსაც მსგავსი რამეების კეთება შეუძლიათ
რომლებსაც მსგავსი რამეების კეთება შეუძლიათ
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
და გასაკვირი არც უნდა იყოს;
ტვინიც ხომ ერთგვარი კომპიუტერია
ტვინიც ხომ ერთგვარი კომპიუტერია
16:51
And finally,
357
999616
1657
და ბოლოს,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
კომპიუტერების შექმნა გონიერი მანქანების
შექმნის მცდელობად დაიწყო.
შექმნის მცდელობად დაიწყო.
16:57
It was very much modeled after the idea
359
1005989
2462
მისი შემუშავება
დიდწილად განსაზღვრა იდეამ,
დიდწილად განსაზღვრა იდეამ,
17:00
of how could we make machines intelligent.
360
1008475
3013
თუ როგორ შეგვიძლია
მანქანები გახვადოთ გონიერი.
მანქანები გახვადოთ გონიერი.
17:03
And we finally are starting to fulfill now
361
1011512
2162
და ახლა საბოლოოდ, ვიწყებთ
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
ამ საქმის პიონერების,
ტიურინგის და ვონ ნოიმანის,
ტიურინგის და ვონ ნოიმანის,
17:08
of Turing and von Neumann
363
1016128
1713
მაკკალოკის და პიტსის
17:09
and McCulloch and Pitts.
364
1017865
2265
ზოგიერთი დანაპირების შესრულებას.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
ვფიქრობ კომპიუტერები
არა მხოლოდ გამოთვლაა,
არა მხოლოდ გამოთვლაა,
17:16
or playing Candy Crush or something.
366
1024276
2147
ან Candy Crush-ის,
ან რამე მსგავსის თამაში.
ან რამე მსგავსის თამაში.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
ჩვენ ისინი თავიდანვე
ჩვენი ტვინის მიხედვით დავაპროექტეთ.
ჩვენი ტვინის მიხედვით დავაპროექტეთ.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
ისინი საშუალებას გვაძლევს
როგორც ჩვენი ტვინი გავიგოთ უკეთ,
როგორც ჩვენი ტვინი გავიგოთ უკეთ,
17:24
and to extend them.
369
1032342
1529
ასევე გავაუმჯობესოთ ის.
17:26
Thank you very much.
370
1034627
1167
დიდი მადლობა.
17:27
(Applause)
371
1035818
5939
(აპლოდისმენტები)
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