TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Hoe computers leren creatief te zijn
Filmed:
Readability: 4.4
1,934,067 views
We staan voor een nieuwe ontwikkeling in de kunst en creativiteit en het is niet menselijk. Blaise Agüera y Arcas, staat aan het hoofd van een team wetenschappers bij Google. Hij werkt met diepliggende neurale netwerken voor machineperceptie en gedistribueerd leren. In deze fascinerende demonstratie toont hij hoe neuronennetwerken geoefend kunnen worden om afbeeldingen te herkennen, en andersom ook afbeeldingen kunnen genereren. De resultaten zijn spectaculaire en hallucinogene collages (en gedichten!) die niet onder één vakje onder te brengen zijn. "Waarneming en creativiteit zijn zeer nauw met elkaar verbonden", zegt Agüera y Arcas. "Alle wezens die in staat zijn waar te nemen, zijn ook in staat om te creëren".
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
Ik leid het onderzoeksteam
naar machine-intelligentie bij Google.
naar machine-intelligentie bij Google.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
Dat is de wetenschap die computers
en andere apparaten in staat wil stellen
en andere apparaten in staat wil stellen
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
om dezelfde dingen te doen
die onze hersenen kunnen.
die onze hersenen kunnen.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Daarom zijn we geïnteresseerd
in echte hersenen
in echte hersenen
00:26
and neuroscience as well,
4
14562
1289
en in neurowetenschappen.
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
We zijn zeer geïnteresseerd in alles
wat onze hersenen kunnen,
wat onze hersenen kunnen,
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
maar wat voor computers
nog veel te ingewikkeld is.
nog veel te ingewikkeld is.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Eén van deze onderzoeksgebieden
is altijd al waarneming geweest,
is altijd al waarneming geweest,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
het proces waarbij dingen
in de buitenwereld,
in de buitenwereld,
00:43
sounds and images --
9
31905
1584
zoals geluiden en beelden,
00:45
can turn into concepts in the mind.
10
33513
2178
in onze hersenen kunnen
veranderen in concepten.
veranderen in concepten.
00:48
This is essential for our own brains,
11
36235
2517
Dat is een belangrijke taak
van onze hersenen.
van onze hersenen.
00:50
and it's also pretty useful on a computer.
12
38776
2464
Maar het is ook handig voor een computer.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
De perceptie-algoritmes die we
schrijven voor machines, bijvoorbeeld,
schrijven voor machines, bijvoorbeeld,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
maken het mogelijk om foto's
op te zoeken in Google Photos,
op te zoeken in Google Photos,
01:00
based on what's in them.
15
48908
1397
volgens wat erop te zien is.
01:03
The flip side of perception is creativity:
16
51594
3493
De keerzijde van perceptie
is creativiteit.
is creativiteit.
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
Hierbij worden concepten omgezet
in iets in de echte wereld.
in iets in de echte wereld.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Het afgelopen jaar is ons werk
over machinewaarneming
over machinewaarneming
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
ook onverwacht in verband geraakt
met de wereld van machine-creativiteit,
met de wereld van machine-creativiteit,
01:18
and machine art.
20
66635
1160
en machinekunst.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Volgens mij had Michelangelo
een diepzinnig inzicht
een diepzinnig inzicht
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
in deze duale verhouding
tussen waarneming en creativiteit.
tussen waarneming en creativiteit.
01:28
This is a famous quote of his:
23
76023
2006
Dit is één van zijn beroemde citaten:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"In iedere blok steen
zit een standbeeld verborgen...
zit een standbeeld verborgen...
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
De taak van de beeldhouwer is
om dat eruit te halen."
om dat eruit te halen."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Ik denk dat Michelangelo bedoelde
01:41
is that we create by perceiving,
27
89269
3180
dat we door waar te nemen
zelf gaan creëren.
zelf gaan creëren.
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
En dat waarneming zelf
een manier van inbeelding is.
een manier van inbeelding is.
01:47
and is the stuff of creativity.
29
95520
2461
En daar draait het om bij creativiteit.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Het orgaan dat verantwoordelijk is
voor de waarneming en inbeelding
voor de waarneming en inbeelding
01:54
of course, is the brain.
31
102640
1588
zijn de hersenen, natuurlijk.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
En ik zou willen beginnen
met een korte geschiedenis
met een korte geschiedenis
01:59
about what we know about brains.
33
107658
2302
van wat we weten over onze hersenen.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
In tegenstelling tot het hart of de darmen
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
zijn de hersenen niet veelzeggend
als je er gewoon naar kijkt,
als je er gewoon naar kijkt,
02:08
at least with the naked eye.
36
116134
1412
althans niet met het blote oog.
02:09
The early anatomists who looked at brains
37
117983
2416
De eerste anatomisten
die de hersenen bestudeerden,
die de hersenen bestudeerden,
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
hebben veel namen gegeven aan de
oppervlaktestructuren van de hersenen,
oppervlaktestructuren van de hersenen,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
zoals de hippocampus, of 'kleine garnaal'.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Maar die benamingen zeggen ons
natuurlijk niet veel
natuurlijk niet veel
02:21
about what's actually going on inside.
41
129499
2318
over wat er aan de binnenkant gebeurt.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
De eerste persoon die, denk ik,
een eerste inzicht bracht
een eerste inzicht bracht
02:28
into what was going on in the brain
43
136417
1930
over wat er echt gebeurt in de hersenen,
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
was de grote Spaanse neuro-anatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
in de negentiende eeuw.
02:35
who used microscopy and special stains
46
143883
3755
Hij gebruikte microscopen
en speciale beitsen
en speciale beitsen
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
die individuele hersencellen
selectief konden opvullen
selectief konden opvullen
02:43
the individual cells in the brain,
48
151856
2008
of in contrast konden weergeven,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
zodat hij hun morfologie kon onderzoeken.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Dit zijn de soort tekeningen
die hij maakte van neuronen
die hij maakte van neuronen
02:52
in the 19th century.
51
160887
1209
in de negentiende eeuw.
02:54
This is from a bird brain.
52
162120
1884
Dit komt van de hersenen van een vogel.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Je ziet hier de geweldige verscheidenheid
aan soorten cellen.
aan soorten cellen.
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
Zelfs de cellentheorie was nogal nieuw
op dat moment.
op dat moment.
03:02
And these structures,
55
170568
1278
Deze structuren...
03:03
these cells that have these arborizations,
56
171870
2259
die cellen met hun boomstructuur,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
en vertakkingen
die zeer uitgestrekt kunnen zijn.
die zeer uitgestrekt kunnen zijn.
Dat was heel vernieuwend toen.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Ze doen ons natuurlijk denken aan kabels.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Misschien dachten enkele mensen
dit ook al in de negentiende eeuw.
dit ook al in de negentiende eeuw.
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
De revolutie van de elektriciteit
en de bedrading waren in volle gang.
en de bedrading waren in volle gang.
03:21
But in many ways,
62
189964
1178
Maar in vele opzichten
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
zijn de micro-analytische tekeningen
van Ramón y Calal, zoals deze,
van Ramón y Calal, zoals deze,
03:26
they're still in some ways unsurpassed.
64
194503
2332
in veel opzichten
nog steeds onovertroffen.
nog steeds onovertroffen.
03:28
We're still more than a century later,
65
196859
1854
Meer dan een eeuw later
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
zetten we nog steeds
het werk van Ramón y Cajal verder.
het werk van Ramón y Cajal verder.
03:33
These are raw data from our collaborators
67
201586
3134
Dit zijn de ruwe gegevens
van onze collega's
van onze collega's
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
in het Max Planck Institute
of Neuroscience.
of Neuroscience.
03:39
And what our collaborators have done
69
207649
1790
Daar hebben onze collega's
03:41
is to image little pieces of brain tissue.
70
209463
5001
kleine deeltjes van het hersenweefsel
in beeld gebracht.
in beeld gebracht.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Het volledige monster is ongeveer
één kubieke millimeter groot.
één kubieke millimeter groot.
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
En dit is een heel klein stukje daarvan.
03:52
That bar on the left is about one micron.
73
220483
2346
Het staafje links
is ongeveer één micron groot.
is ongeveer één micron groot.
03:54
The structures you see are mitochondria
74
222853
2409
Deze structuren hier, zijn mitochondriën.
03:57
that are the size of bacteria.
75
225286
2044
Ze zijn zowat de grootte van een bacterie.
03:59
And these are consecutive slices
76
227354
1551
En dit zijn de volgende plakken
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
in dit zeer kleine blokje weefsel.
04:04
Just for comparison's sake,
78
232101
2403
Om even te vergelijken...
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
De doorsnede van een haar is gemiddeld
zo'n honderd micron.
zo'n honderd micron.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Dit is dus veel, veel kleiner
dan één enkel haartje.
04:12
than a single strand of hair.
81
240642
1398
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Uit deze reeksen elektro-
microscopische beelden
microscopische beelden
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
kunnen we 3D-modellen maken van neuronen,
die er dan als volgt uitzien:
die er dan als volgt uitzien:
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
ze zijn gemaakt in dezelfde stijl
als Ramón y Cajals tekeningen.
als Ramón y Cajals tekeningen.
04:26
Only a few neurons lit up,
85
254332
1492
Je ziet maar een paar neuronen,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
anders zou het zo druk worden
dat je niets meer ziet.
dat je niets meer ziet.
Het zou zo opeengepakt zijn,
04:30
It would be so crowded,
87
258653
1312
04:31
so full of structure,
88
259989
1330
vol van structuren,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
bekabeling die de neuronen
met elkaar verbindt.
met elkaar verbindt.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal was zijn tijd wat vooruit
04:40
and progress on understanding the brain
91
268121
2555
en de vooruitgang van onze kennis
van de hersenen
van de hersenen
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
evolueerde maar traag
in de volgende decennia.
in de volgende decennia.
04:45
But we knew that neurons used electricity,
93
273455
2853
Maar we wisten dat neuronen
elektriciteit gebruikten.
elektriciteit gebruikten.
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
Tegen WO II was onze technologie
geavanceerd genoeg
geavanceerd genoeg
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
om met elektriciteit te experimenteren
op levende neuronen,
op levende neuronen,
04:54
to better understand how they worked.
96
282122
2106
om beter te begrijpen hoe ze functioneren.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
In diezelfde periode werd
de computer uitgevonden.
de computer uitgevonden.
Computers zijn gebaseerd op het idee
dat het brein moduleerbaar is.
dat het brein moduleerbaar is.
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
De 'intelligente machine',
in termen van Alan Turing,
in termen van Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
een grondlegger
van de computerwetenschap.
van de computerwetenschap.
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
Warren McCulloch en Walter Pitts
bestudeerden Ramón y Cayals tekening
bestudeerden Ramón y Cayals tekening
05:14
of visual cortex,
102
302579
1317
van de visuele cortex,
05:15
which I'm showing here.
103
303920
1562
die je hier ziet.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
De cortex verwerkt de beelden
die binnenkomen via het oog.
die binnenkomen via het oog.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Het zag er volgens hen uit
als een schakelschema.
als een schakelschema.
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
Het schakelschema van McCullough
en Pitt bevat veel details
en Pitt bevat veel details
05:30
that are not quite right.
107
318212
1352
die niet helemaal kloppen.
05:31
But this basic idea
108
319588
1235
Maar het basisidee
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
dat de visuele cortex werkt
als een reeks computeronderdelen
als een reeks computeronderdelen
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
die informatie doorgeven
van één niveau naar het andere
van één niveau naar het andere
05:39
is essentially correct.
111
327633
1602
is in essentie correct.
05:41
Let's talk for a moment
112
329259
2350
Laat me het even hebben
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
over wat een model dat visuele info
wil verwerken moet kunnen doen.
wil verwerken moet kunnen doen.
05:48
The basic task of perception
114
336228
2741
De kerntaak van perceptie
05:50
is to take an image like this one and say,
115
338993
4194
is om naar een afbeelding
te kijken en te zeggen:
te kijken en te zeggen:
05:55
"That's a bird,"
116
343211
1176
"Dat is een vogel."
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
Dat is zeer eenvoudig voor onze hersenen,
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
maar je moet begrijpen
dat tot voor enkele jaren geleden,
dat tot voor enkele jaren geleden,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
dit vrijwel onmogelijk was
voor een computer.
voor een computer.
06:05
The classical computing paradigm
120
353865
1916
Binnen het klassieke computermodel
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
is dat geen eenvoudige taak.
06:11
So what's going on between the pixels,
122
359366
2552
Wat gebeurt er nu tussen de pixels,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
de afbeelding van een vogel,
en het woord 'vogel'?
en het woord 'vogel'?
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
Een reeks neuronen zijn
met elkaar verbonden
met elkaar verbonden
in een neuraal netwerk,
06:20
in a neural network,
125
368832
1155
zoals op deze schets hier.
06:22
as I'm diagramming here.
126
370011
1223
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Dit neuraal netwerk kan biologisch zijn,
binnen onze visuele cortex,
binnen onze visuele cortex,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
maar tegenwoordig zijn we in staat
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
om neurale netwerken
na te maken op de computer.
na te maken op de computer.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Ik zal jullie laten zien
hoe dat eruitziet.
hoe dat eruitziet.
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
De pixels kan je zien
als de eerste laag neuronen.
als de eerste laag neuronen.
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
Hier zie je in feite
de werking van het oog.
de werking van het oog.
Dat zijn de neuronen
in het netvlies.
in het netvlies.
06:39
that's the neurons in the retina.
133
387914
1663
06:41
And those feed forward
134
389601
1500
Deze geven hun informatie door
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
naar de volgende lagen neuronen.
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
Ze zijn verbonden met zenuwknopen
van verschillende groottes.
van verschillende groottes.
06:49
The behavior of this network
137
397609
1335
Het gedrag van dit netwerk
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
wordt gekenmerkt door de kracht
van al deze zenuwknopen.
van al deze zenuwknopen.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Zij bepalen de computationele
eigenschappen van dat netwerk.
eigenschappen van dat netwerk.
06:57
And at the end of the day,
140
405588
1470
Op het einde van de rit
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
is er een neuron,
of een kleine groep neuronen
of een kleine groep neuronen
07:01
that light up, saying, "bird."
142
409553
1647
die oplichten en zeggen: "Vogel."
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Ik wil nu deze drie dingen,
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
de pixels en de synaps
van het neuronennetwerk, of de input,
van het neuronennetwerk, of de input,
07:11
and bird, the output --
145
419700
1585
en de vogel, of de output,
07:13
by three variables: x, w and y.
146
421309
3057
voorstellen door de variabelen x, w en y.
07:16
There are maybe a million or so x's --
147
424853
1811
Er zit misschien wel een miljoen x'en,
07:18
a million pixels in that image.
148
426688
1953
of pixels, in deze afbeelding.
07:20
There are billions or trillions of w's,
149
428665
2446
En een miljard, of triljard w's.
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
Ze vertegenwoordigen al de zenuwknopen
in het neurale netwerk.
in het neurale netwerk.
07:26
And there's a very small number of y's,
151
434580
1875
En er zijn maar een klein aantal y's,
07:28
of outputs that that network has.
152
436479
1858
of output van het netwerk.
07:30
"Bird" is only four letters, right?
153
438361
1749
Het woord 'vogel' telt
slechts vijf letters, niet?
slechts vijf letters, niet?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Laten we het even voorstellen
als een simpele formule:
als een simpele formule:
07:36
x "x" w = y.
155
444538
2163
x 'maal' w is gelijk aan y.
07:38
I'm putting the times in scare quotes
156
446725
2036
'Maal' staat tussen aanhalingstekens,
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
want in werkelijkheid
gebeurt er natuurlijk
gebeurt er natuurlijk
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
een hele reeks ingewikkelde
wiskundige berekeningen.
wiskundige berekeningen.
07:47
That's one equation.
159
455172
1221
Dat is één vergelijking,
07:48
There are three variables.
160
456417
1672
met drie variabelen.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
We weten allemaal dat als je
over twee variabelen beschikt
over twee variabelen beschikt
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
je de derde variabele kan achterhalen.
07:57
So the problem of inference,
163
465158
3380
Dus het proces van gevolgtrekking,
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
het uit de afbeelding
afleiden dat dit een vogel is,
afleiden dat dit een vogel is,
08:03
is this one:
165
471459
1274
is als volgt:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
wanneer de y de onbekende is
en de w en x allebei gekend.
en de w en x allebei gekend.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Je hebt de neuronennetwerken en de pixels.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Je kunt zien dat dit probleem
relatief eenvoudig is.
relatief eenvoudig is.
Je vermenigvuldigt twee met drie en klaar.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
08:16
I'll show you an artificial neural network
170
484862
2123
Ik toon jullie nu een netwerk neuronen
dat we gebouwd hebben
dat we gebouwd hebben
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
om dit op te lossen.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Dit werkt realtime
op een mobiele telefoon.
op een mobiele telefoon.
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
Dat is op zich natuurlijk
al verbazingwekkend,
al verbazingwekkend,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
dat een telefoon zoveel miljarden
en biljarden bewerkingen kan uitvoeren
en biljarden bewerkingen kan uitvoeren
08:31
per second.
175
499347
1248
per seconde.
08:32
What you're looking at is a phone
176
500619
1615
Jullie zien hier een telefoon
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
waarop een reeks afbeeldingen
verschijnen van vogels.
verschijnen van vogels.
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
Hij herkent ze niet alleen als vogels,
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
maar hij kan ook de soort identificeren
met dit type netwerk.
met dit type netwerk.
08:44
So in that picture,
180
512890
1826
In die afbeelding
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
waren de x en de w gekend
en was de y de onbekende.
en was de y de onbekende.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Ik sla het ingewikkeldste
deel over, natuurlijk,
deel over, natuurlijk,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
namelijk, hoe achterhalen we de w,
08:56
the brain that can do such a thing?
184
524983
2187
de hersenen die tot dit alles
in staat zijn?
in staat zijn?
08:59
How would we ever learn such a model?
185
527194
1834
Hoe hebben we ooit zo'n model aangeleerd?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Dit leerproces,
waarbij we de w willen oplossen,
waarbij we de w willen oplossen,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
als we dit in een eenvoudige
vergelijking gieten,
vergelijking gieten,
09:07
in which we think about these as numbers,
188
535346
2000
waarbij we getallen gebruiken,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
weten we wat we moeten doen:
6 is gelijk aan 2 maal w.
6 is gelijk aan 2 maal w.
09:12
well, we divide by two and we're done.
190
540081
3312
We delen 6 door 2 en het zit erop.
09:16
The problem is with this operator.
191
544001
2220
Het probleem zit 'm bij deze bewerking.
Deling...
09:18
So, division --
192
546823
1151
We gebruiken deling, want dat is
het omgekeerde van vermenigvuldiging.
het omgekeerde van vermenigvuldiging.
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
09:23
but as I've just said,
194
551143
1440
Maar zoals ik zopas zei,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
klopt de vermenigvuldiging hier niet echt.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Dit is een zeer gecompliceerde,
zeer non-lineaire bewerking,
zeer non-lineaire bewerking,
09:30
it has no inverse.
197
558430
1704
die niet omgekeerd kan worden.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
We moeten een manier vinden
om die vergelijking op te lossen,
om die vergelijking op te lossen,
09:35
without a division operator.
199
563332
2024
zonder te moeten delen.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
We doen dit op een zeer eenvoudige manier.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
We spelen wat met de algebra
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
en verplaatsen de 6
naar de rechterkant van de vergelijking.
naar de rechterkant van de vergelijking.
09:45
Now, we're still using multiplication.
203
573372
1826
We vermenigvuldigen nog steeds.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Maar laten we die nul de foutmarge noemen.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Met andere woorden,
als we de w juist oplossen,
als we de w juist oplossen,
09:53
then the error will be zero.
206
581818
1656
dan zal die marge nul bedragen.
09:55
And if we haven't gotten it quite right,
207
583498
1938
En als de oplossing niet klopt,
dan zal de marge groter zijn dan nul.
09:57
the error will be greater than zero.
208
585460
1749
Nu kunnen we beginnen te gokken en
de foutmarge zo klein mogelijk maken,
de foutmarge zo klein mogelijk maken,
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
daar zijn computers zeer goed in.
Laten we eens gokken:
10:05
So you've taken an initial guess:
211
593334
1593
w = 0 misschien?
Dan zou de marge 6 bedragen.
10:06
what if w = 0?
212
594951
1156
10:08
Well, then the error is 6.
213
596131
1240
En als w gelijk zou zijn aan 1,
dan zou de marge 4 zijn.
dan zou de marge 4 zijn.
10:09
What if w = 1? The error is 4.
214
597395
1446
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
De computer kan blijven raden
10:13
and drive down the error close to zero.
216
601256
2367
en de foutmarge tot bijna nul reduceren.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
En ondertussen komt hij
steeds dichter bij w.
steeds dichter bij w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Hij raakt nooit helemaal tot bij w,
maar na zo'n twaalf stappen
maar na zo'n twaalf stappen
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
zien we dat w gelijk is aan 2,999
en dat is precies genoeg.
en dat is precies genoeg.
10:28
And this is the learning process.
220
616302
1814
Dat is het leerproces.
10:30
So remember that what's been going on here
221
618140
2730
Vergeet niet wat we hier
aan het doen zijn.
aan het doen zijn.
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
We hebben zeer veel
van die gekende x'en en y's genomen
van die gekende x'en en y's genomen
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
en daar de w in het midden
mee achterhaald door een iteratief proces.
mee achterhaald door een iteratief proces.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Wij leren op precies dezelfde manier.
10:44
We have many, many images as babies
225
632354
2230
Als baby hebben we zeer veel afbeeldingen.
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
Ze vertellen ons: "Dit is een vogel.
Dat is geen vogel."
Dat is geen vogel."
10:49
And over time, through iteration,
227
637714
2098
Wanneer we de bewerking
eindeloos herhalen
eindeloos herhalen
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
kunnen we de w achterhalen
voor deze zenuwverbindingen.
voor deze zenuwverbindingen.
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
Nu hebben we naar de x en w
gekeken om de y te achterhalen.
gekeken om de y te achterhalen.
10:59
that's everyday, fast perception.
230
647570
1847
Dat is alledaagse, snelle waarneming.
11:01
We figure out how we can solve for w,
231
649441
1763
Nu willen we weten hoeveel w is.
11:03
that's learning, which is a lot harder,
232
651228
1903
Da's veel moeilijker,
want dat is leren.
want dat is leren.
Om de foutenmarge te beperken,
hebben we veel voorbeelden nodig.
hebben we veel voorbeelden nodig.
11:05
because we need to do error minimization,
233
653155
1985
11:07
using a lot of training examples.
234
655164
1687
Zo'n jaar geleden besloot iemand
van ons team, Alex Mordvintsev,
van ons team, Alex Mordvintsev,
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
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
om eens te kijken wat er zou gebeuren
als we de x probeerden op te lossen
als we de x probeerden op te lossen
11:15
given a known w and a known y.
237
663660
2037
als we de w en de y zouden kennen.
11:18
In other words,
238
666124
1151
Met andere woorden,
11:19
you know that it's a bird,
239
667299
1352
je weet dat het een vogel is
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
en je netwerk zenuwcellen
kunnen al vogels herkennen.
kunnen al vogels herkennen.
11:24
but what is the picture of a bird?
241
672002
2344
Maar wat is nu
een afbeelding van een vogel?
een afbeelding van een vogel?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Blijkbaar kan je met dezelfde
foutenminimalisatie-procedure,
foutenminimalisatie-procedure,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
gebruik makend van het netwerk
dat vogels kan herkennen,
dat vogels kan herkennen,
11:35
and the result turns out to be ...
244
683536
3388
het volgende resultaat krijgen ...
11:42
a picture of birds.
245
690400
1305
een afbeelding van vogels.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Deze afbeelding van vogels is volledig
gegenereerd door een neuraal netwerk
gegenereerd door een neuraal netwerk
11:48
that was trained to recognize birds,
247
696575
1826
dat vogels kon herkennen,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
door simpelweg naar de x te zoeken
in plaats van naar de y
in plaats van naar de y
11:53
and doing that iteratively.
249
701987
1288
en dat dan eindeloos te herhalen.
Dit is nog een leuk voorbeeld.
11:55
Here's another fun example.
250
703732
1847
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Dit is het werk
van Mike Tyka in onze groep.
van Mike Tyka in onze groep.
12:01
which he calls "Animal Parade."
252
709064
2308
Hij noemt het 'Animal Parade'.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Het doet me wat denken
aan William Kentridges' schilderijen.
aan William Kentridges' schilderijen.
12:06
in which he makes sketches, rubs them out,
254
714296
2489
Hij maakt schetsen en veegt ze uit,
altijd maar opnieuw,
en zo creëert hij een film.
en zo creëert hij een film.
12:08
makes sketches, rubs them out,
255
716809
1460
12:10
and creates a movie this way.
256
718293
1398
In dit geval probeert Mike
12:11
In this case,
257
719715
1151
de y te laten variëren over de ruimte
van de verschillende dieren
van de verschillende dieren
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
in een netwerk dat dieren
van elkaar kan onderscheiden.
van elkaar kan onderscheiden.
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
12:18
different animals from each other.
260
726597
1810
En dan krijg je zo'n Escher-achtige
overgang van het ene dier in het andere.
overgang van het ene dier in het andere.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Hier hebben hij en Alex geprobeerd
om de y's terug te brengen
om de y's terug te brengen
12:30
the y's to a space of only two dimensions,
263
738859
2759
tot een tweedimensionale ruimte.
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
De uitkomst daarvan was een kaart
met daarop de ruimte van alle dingen
met daarop de ruimte van alle dingen
12:37
recognized by this network.
265
745104
1719
die dit netwerk kon herkennen.
12:38
Doing this kind of synthesis
266
746847
2023
Bij dit soort synthese
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
of beeldweergave
over die hele oppervlakte,
over die hele oppervlakte,
waarbij de y varieert
over het oppervlak,
over het oppervlak,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
creëer je een visuele kaart
van alles wat het netwerk herkent.
van alles wat het netwerk herkent.
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
Alle dieren staan hierop aangeduid.
Dat daar is een gordeldier.
Dat daar is een gordeldier.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Dit werkt ook met andere netwerken.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Dit netwerk is ontwikkeld
om gezichten te herkennen,
om gezichten te herkennen,
12:58
to distinguish one face from another.
273
766320
2000
om gezichten van elkaar te onderscheiden.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Hier hebben we de y ingevoerd
die mij vertegenwoordigt.
die mij vertegenwoordigt.
13:03
my own face parameters.
275
771617
1575
Het zijn mijn gezichtsparameters.
13:05
And when this thing solves for x,
276
773216
1706
Als dit systeem naar x gaat zoeken,
13:06
it generates this rather crazy,
277
774946
2618
genereert het een absurd,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
nogal kubistisch, surreëel
en psychedelisch beeld van mij,
en psychedelisch beeld van mij,
13:14
from multiple points of view at once.
279
782040
1806
vanuit verschillende perspectieven.
Je ziet hier verschillende
perspectieven tegelijkertijd,
perspectieven tegelijkertijd,
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
omdat ons netwerk zo ontworpen is
dat het de dubbelzinnigheid tegengaat
dat het de dubbelzinnigheid tegengaat
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
van de verschillende mogelijke poses
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
of de verschillende
mogelijke belichtingen.
mogelijke belichtingen.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Als je zo'n reconstructie uitvoert
en je geen afbeelding of statistieken
13:30
if you don't use some sort of guide image
285
798348
2304
13:32
or guide statistics,
286
800676
1211
als richtlijnen gebruikt,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
dan krijg je een samenraapsel
van 'n heleboel perspectieven,
van 'n heleboel perspectieven,
13:37
because it's ambiguous.
288
805700
1368
want het is ambigue.
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
Dit is het resultaat wanneer Alex
zijn eigen gezicht gebruikt als richtlijn
zijn eigen gezicht gebruikt als richtlijn
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
tijdens het optimalisatieproces
om mijn gezicht te reconstrueren.
om mijn gezicht te reconstrueren.
13:48
So you can see it's not perfect.
291
816284
2328
Je ziet dat het niet perfect is.
13:50
There's still quite a lot of work to do
292
818636
1874
We hebben nog wat werk voor de boeg
om het optimalisatieproces
te optimaliseren.
te optimaliseren.
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Maar je krijgt toch iets
wat meer lijkt op een gezicht,
wat meer lijkt op een gezicht,
13:57
rendered using my own face as a guide.
295
825862
2014
met mijn gezicht als richtlijn.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Je hoeft niet meer te beginnen
met een wit doek,
met een wit doek,
14:03
or with white noise.
297
831417
1156
of met 'witte ruis'.
14:04
When you're solving for x,
298
832597
1304
Wanneer je naar x zoekt,
kan je beginnen met een x
die op zich al een afbeelding is.
die op zich al een afbeelding is.
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
14:09
That's what this little demonstration is.
300
837838
2556
Dat toont de volgende demo.
Dit is een netwerk dat ontworpen is
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
om allerlei verschillende
voorwerpen te categoriseren,
voorwerpen te categoriseren,
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
zoals kunstmatige structuren, dieren...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
We vertrokken hier gewoon
van een afbeelding van wolken.
van een afbeelding van wolken.
14:22
and as we optimize,
304
850324
1671
Terwijl we het beeld optimaliseren,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
probeert het netwerk te bepalen
wat het kan zien in de wolken.
wat het kan zien in de wolken.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Hoe langer je hier naar kijkt,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
hoe meer je ook gaat zien in deze wolken.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Je kunt er ook hallucinaties
van het gezichtsnetwerk in verwerken.
van het gezichtsnetwerk in verwerken.
14:38
and you get some pretty crazy stuff.
309
866403
1812
Dat levert ook gekke beelden op.
14:40
(Laughter)
310
868239
1150
(Gelach)
14:42
Or, Mike has done some other experiments
311
870401
2744
Mike heeft nog enkele
andere experimenten uitgevoerd,
andere experimenten uitgevoerd,
14:45
in which he takes that cloud image,
312
873169
3905
waarbij hij de afbeelding
van de wolken neemt,
van de wolken neemt,
een hallucinatie toevoegt, inzoomt,
weer 'n hallucinatie toevoegt, inzoomt.
weer 'n hallucinatie toevoegt, inzoomt.
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
14:52
And in this way,
314
880629
1151
Op deze manier
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
krijg je een soort
dissociatieve vlucht, denk ik,
dissociatieve vlucht, denk ik,
14:57
or a sort of free association,
316
885503
3680
of een soort vrije associatie,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
waarin het netwerk
haar eigen staart opeet.
haar eigen staart opeet.
15:03
So every image is now the basis for,
318
891458
3421
Iedere afbeelding is de basis voor...
15:06
"What do I think I see next?
319
894903
1421
"Wat zie ik hierna?"
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
"En wat daarna? En wat daarna?"
15:11
I showed this for the first time in public
321
899487
2936
Ik heb dit voor het eerst getoond
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
aan een groep in Seattle
bij een lezing, genaamd 'Hoger Onderwijs'.
bij een lezing, genaamd 'Hoger Onderwijs'.
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
Marihuana was toen
nog maar net gelegaliseerd.
nog maar net gelegaliseerd.
15:22
(Laughter)
324
910369
2415
(Gelach)
15:26
So I'd like to finish up quickly
325
914627
2104
Ik zou snel willen afsluiten
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
door te zeggen dat deze technologie
geen grenzen kent.
geen grenzen kent.
Ik heb enkel visuele voorbeelden getoond,
omdat die leuk zijn om naar te kijken.
omdat die leuk zijn om naar te kijken.
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
15:36
It's not a purely visual technology.
328
924723
2451
Maar de technologie is niet enkel visueel.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Ross Goodwin, een medewerker van ons,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
heeft enkele experimenten gedaan
waarbij hij foto's nam met een camera
waarbij hij foto's nam met een camera
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
en die dan gebruikte om een gedicht
mee te schrijven, met z'n computer,
mee te schrijven, met z'n computer,
op basis van de inhoud van de afbeelding.
15:49
based on the contents of the image.
332
937168
1944
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Dat poëzienetwerk werd getraind
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
op een groot corpus gedichten
uit de 20e eeuw.
uit de 20e eeuw.
15:56
And the poetry is, you know,
335
944365
1499
En de gedichten zijn, weet je,
15:57
I think, kind of not bad, actually.
336
945888
1914
al bij al niet slecht, denk ik.
15:59
(Laughter)
337
947826
1384
(Gelach)
16:01
In closing,
338
949234
1159
Om af te sluiten...
16:02
I think that per Michelangelo,
339
950417
2132
Ik denk dat Michelangelo
het bij het rechte eind had.
16:04
I think he was right;
340
952573
1234
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Waarneming en creativiteit zijn
zeer nauw met elkaar verbonden.
zeer nauw met elkaar verbonden.
16:09
What we've just seen are neural networks
342
957611
2634
We hebben zopas gezien
dat neurale netwerken
dat neurale netwerken
16:12
that are entirely trained to discriminate,
343
960269
2303
die getraind zijn om keuzes te maken
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
of om dingen in de wereld te herkennen,
16:16
able to be run in reverse, to generate.
345
964862
3161
ook andersom kunnen werken
en kunst voortbrengen.
en kunst voortbrengen.
16:20
One of the things that suggests to me
346
968047
1783
Dit doet mij afleiden
dat Michelangelo
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
de kunstwerken kon zien
uit massieve blokken steen,
uit massieve blokken steen,
16:24
the sculpture in the blocks of stone,
348
972276
2452
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
maar ook dat eender welk wezen,
van eender welke planeet
van eender welke planeet
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
die in staat is om waar te nemen
16:34
is also able to create
351
982095
1375
ook in staat is om te creëren.
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
Want in beide gevallen wordt exact
hetzelfde mechanisme gebruikt.
hetzelfde mechanisme gebruikt.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Ik ben er ook van overtuigd
dat waarneming en creativiteit
dat waarneming en creativiteit
helemaal niet uniek zijn aan mensen.
16:43
uniquely human.
354
991298
1210
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
Onze computermodellen
kunnen deze dingen ook al.
kunnen deze dingen ook al.
En dat zou niet mogen verrassen,
ons brein is immers computationeel.
ons brein is immers computationeel.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
16:51
And finally,
357
999616
1657
En ten slotte...
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
Computertechnologie begon als een manier
om intelligente machines te ontwikkelen.
om intelligente machines te ontwikkelen.
16:57
It was very much modeled after the idea
359
1005989
2462
Het was gebaseerd op het idee
17:00
of how could we make machines intelligent.
360
1008475
3013
dat machines intelligent
gemaakt konden worden.
gemaakt konden worden.
17:03
And we finally are starting to fulfill now
361
1011512
2162
We beginnen nu eindelijk
enkele van de beloftes waar te maken
enkele van de beloftes waar te maken
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
van vroege pioniers,
17:08
of Turing and von Neumann
363
1016128
1713
zoals Turing en von Neuman,
17:09
and McCulloch and Pitts.
364
1017865
2265
en McCulloch en Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Ik denk dat het bij computers
niet enkel draait om berekeningen,
niet enkel draait om berekeningen,
17:16
or playing Candy Crush or something.
366
1024276
2147
of 'Candy Crush' of andere spelletjes.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
We hebben ze steeds vormgegeven
volgens onze hersenen.
volgens onze hersenen.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Ze geven ons de mogelijkheid
om onze hersenen beter te begrijpen
om onze hersenen beter te begrijpen
17:24
and to extend them.
369
1032342
1529
en om onze capaciteiten uit te breiden.
17:26
Thank you very much.
370
1034627
1167
Dankjewel.
17:27
(Applause)
371
1035818
5939
(Applaus)
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