TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Como os computadores estão a aprender a ser criativos
Filmed:
Readability: 4.4
1,934,067 views
Estamos a chegar a uma nova fronteira na arte e na criatividade — e não é uma coisa humana. Blaise Agüera y Arcas, principal cientista do Google, trabalha com profundas redes neurais para perceção das máquinas e aprendizagem distribuída. Nesta cativante demonstração, mostra como as redes neurais treinadas para reconhecer imagens podem funcionar ao contrário, para as gerar. Os resultados: colagens espetaculares e alucinantes (e poemas!) que desafiam a categorização. "A perceção e a criatividade estão intimamente ligadas", diz Agüera y Arcas. "Qualquer criatura, qualquer ser que seja capaz de atos de perceção, também é capaz de criar".
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
Lidero uma equipa do Google
que trabalha com inteligência artificial.
que trabalha com inteligência artificial.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
Por outras palavras, cria
computadores e dispositivos
computadores e dispositivos
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
capazes de fazer coisas que o cérebro faz.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Portanto, estamos muito interessados
em cérebros de verdade
em cérebros de verdade
00:26
and neuroscience as well,
4
14562
1289
e também na neurociência,
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
e especialmente interessados nas coisas
que o nosso cérebro faz
que o nosso cérebro faz
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
com um desempenho
muito superior ao dos computadores.
muito superior ao dos computadores.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Historicamente, uma dessas áreas
tem sido a perceção,
tem sido a perceção,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
o processo pelo qual as coisas
lá fora, no mundo
lá fora, no mundo
00:43
sounds and images --
9
31905
1584
— sons e imagens —
00:45
can turn into concepts in the mind.
10
33513
2178
podem tornar-se conceitos
no nosso espírito.
no nosso espírito.
00:48
This is essential for our own brains,
11
36235
2517
Isto é essencial para
o nosso próprio cérebro
o nosso próprio cérebro
00:50
and it's also pretty useful on a computer.
12
38776
2464
e também é muito útil num computador.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Os algoritmos de perceção das máquinas,
como os que a nossa equipa faz,
como os que a nossa equipa faz,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
são os que possibilitam encontrar
as nossas imagens no Google Photos
as nossas imagens no Google Photos
01:00
based on what's in them.
15
48908
1397
com base no que contêm.
01:03
The flip side of perception is creativity:
16
51594
3493
O outro lado da perceção é a criatividade
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
que traduz um conceito
numa coisa que existe no mundo.
numa coisa que existe no mundo.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Ao longo do ano passado, o nosso trabalho
sobre a perceção das máquinas
sobre a perceção das máquinas
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
também se ligou inesperadamente
ao mundo da criatividade das máquinas
ao mundo da criatividade das máquinas
01:18
and machine art.
20
66635
1160
e da arte das máquinas.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Eu acho que Miguel Ângelo
teve uma visão perspicaz
teve uma visão perspicaz
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
quanto a esta dupla relação
entre perceção e criatividade.
entre perceção e criatividade.
01:28
This is a famous quote of his:
23
76023
2006
Esta é uma sua famosa citação:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Cada bloco de pedra
tem uma estátua lá dentro.
tem uma estátua lá dentro.
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
"O papel do escultor é descobri-la."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Eu acho que Miguel Ângelo
queria exprimir
queria exprimir
01:41
is that we create by perceiving,
27
89269
3180
que nós criamos através da perceção
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
e que essa perceção em si
é um ato de imaginação
é um ato de imaginação
01:47
and is the stuff of creativity.
29
95520
2461
e é a matéria-prima da criatividade.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
O órgão que processa todo o pensamento,
a perceção e a imaginação,
a perceção e a imaginação,
01:54
of course, is the brain.
31
102640
1588
claro, é o cérebro.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Gostaria de começar
com um pequeno resumo da história
com um pequeno resumo da história
01:59
about what we know about brains.
33
107658
2302
sobre o que sabemos sobre o cérebro.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Porque, ao contrário
do coração ou dos intestinos,
do coração ou dos intestinos,
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
não podemos dizer muito sobre o cérebro,
apenas olhando para ele
apenas olhando para ele
02:08
at least with the naked eye.
36
116134
1412
pelo menos, a olho nu.
02:09
The early anatomists who looked at brains
37
117983
2416
Os primeiros anatomistas
que olharam para o cérebro
que olharam para o cérebro
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
deram à sua estrutura superficial
todo o tipo de nomes fantasiosos
todo o tipo de nomes fantasiosos
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
como hipocampo,
que significa "cavalo-marinho."
que significa "cavalo-marinho."
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Mas com certeza, esse tipo de coisas
não nos diz muito
não nos diz muito
02:21
about what's actually going on inside.
41
129499
2318
sobre o que de facto acontece dentro dele.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Acho que a primeira pessoa
que lançou alguma luz
que lançou alguma luz
02:28
into what was going on in the brain
43
136417
1930
sobre o que ocorria dentro do cérebro
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
foi o grande neuroanatomista espanhol
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
no século XIX,
02:35
who used microscopy and special stains
46
143883
3755
que usou a microscopia
e corantes especiais
e corantes especiais
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
que podiam colorir seletivamente
ou criar um alto contraste
ou criar um alto contraste
02:43
the individual cells in the brain,
48
151856
2008
as células individuais dentro do cérebro,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
para começar a entender a sua morfologia.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Estes são os tipos
de desenhos de neurónios,
de desenhos de neurónios,
que ele fez no século XIX.
02:52
in the 19th century.
51
160887
1209
02:54
This is from a bird brain.
52
162120
1884
Este é de um cérebro de pássaro.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Vemos esta incrível variedade
de diferentes tipos de células.
de diferentes tipos de células.
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
Até a própria teoria celular
era praticamente nova nesta altura.
era praticamente nova nesta altura.
03:02
And these structures,
55
170568
1278
Estas estruturas,
03:03
these cells that have these arborizations,
56
171870
2259
estas células que têm estas ramificações,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
estes ramos que podem percorrer
grandes distâncias,
grandes distâncias,
03:08
this was very novel at the time.
58
176785
1616
eram uma novidade na época.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Claro que nos fazem lembrar cabos.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
No século XIX, isso talvez fosse óbvio
para algumas pessoas,
para algumas pessoas,
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
a revolução da cablagem elétrica
estava apenas a começar.
estava apenas a começar.
03:21
But in many ways,
62
189964
1178
Mas, de várias maneiras,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
esses desenhos microanatómicos
de Ramón y Cajal, como este,
de Ramón y Cajal, como este,
03:26
they're still in some ways unsurpassed.
64
194503
2332
ainda são, de certa forma, insuperáveis.
03:28
We're still more than a century later,
65
196859
1854
Mais de cem anos depois,
continuamos a tentar terminar
o trabalho que Ramón y Cajal iniciou.
o trabalho que Ramón y Cajal iniciou.
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
03:33
These are raw data from our collaborators
67
201586
3134
Estes são dados brutos
dos nossos colaboradores
dos nossos colaboradores
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
do Instituto de Neurociência Max Planck.
03:39
And what our collaborators have done
69
207649
1790
Os nossos colaboradores têm fotografado
03:41
is to image little pieces of brain tissue.
70
209463
5001
pequenos pedaços de tecido cerebral.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
A amostra total aqui tem cerca
de um milímetro cúbico de tamanho
de um milímetro cúbico de tamanho
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
e estou a mostrar aqui
apenas um pequeno pedaço.
apenas um pequeno pedaço.
Aquela barra à esquerda tem
mais ou menos um mícron.
mais ou menos um mícron.
03:52
That bar on the left is about one micron.
73
220483
2346
03:54
The structures you see are mitochondria
74
222853
2409
As estruturas que vemos são mitocôndrias
03:57
that are the size of bacteria.
75
225286
2044
que têm o tamanho de uma bactéria.
03:59
And these are consecutive slices
76
227354
1551
E estas são cortes consecutivos
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
desse bloco de tecido
muito pequeno.
muito pequeno.
04:04
Just for comparison's sake,
78
232101
2403
Só para efeitos de comparação,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
o diâmetro médio de um cabelo
é de cerca de 100 mícrons.
é de cerca de 100 mícrons.
Portanto, estamos a olhar para uma coisa
muito menor do que um simples cabelo.
muito menor do que um simples cabelo.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
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
A partir deste tipo de cortes em série
vistos ao microscópio eletrónico,
vistos ao microscópio eletrónico,
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
podemos fazer reconstruções em 3D
de neurónios, como estes.
de neurónios, como estes.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Estes são do mesmo estilo
dos de Ramón y Cajal.
dos de Ramón y Cajal.
04:26
Only a few neurons lit up,
85
254332
1492
Só se iluminam alguns neurónios,
senão, não conseguiríamos ver nada.
senão, não conseguiríamos ver nada.
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
04:30
It would be so crowded,
87
258653
1312
Ficaria muito sobrecarregado,
04:31
so full of structure,
88
259989
1330
cheio de estruturas de cabos,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
ligando os neurónios uns aos outros.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal estava avançado
para a sua época
para a sua época
04:40
and progress on understanding the brain
91
268121
2555
e o progresso na compreensão do cérebro
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
prosseguiu devagar
durante as décadas seguintes.
durante as décadas seguintes.
04:45
But we knew that neurons used electricity,
93
273455
2853
Mas nós sabíamos que os neurónios
usavam a eletricidade.
usavam a eletricidade.
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
Com a II Guerra Mundial,
a nossa tecnologia avançou bastante
a nossa tecnologia avançou bastante
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
para iniciar experiências elétricas
em neurónios vivos,
em neurónios vivos,
04:54
to better understand how they worked.
96
282122
2106
para melhor entender
como eles funcionavam.
como eles funcionavam.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Foi na mesma época em que
foram inventados os computadores,
foram inventados os computadores,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
com base sobretudo na ideia
de imitar o cérebro
de imitar o cérebro
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
— uma "máquina inteligente",
como lhe chamou Alan Turing,
como lhe chamou Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
um dos pais da informática.
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 e Walter Pitts
olharam para o desenho de Ramón y Cajal
olharam para o desenho de Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
do córtex visual,
05:15
which I'm showing here.
103
303920
1562
que estou a mostrar aqui.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Este é o córtex que processa as imagens
que provêm dos olhos.
que provêm dos olhos.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Para eles, isto parecia
o diagrama de um circuito.
o diagrama de um circuito.
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
Há muitos detalhes no diagrama
no circuito de McCulloch e de Pitt
no circuito de McCulloch e de Pitt
que não estão lá muito corretos.
05:30
that are not quite right.
107
318212
1352
05:31
But this basic idea
108
319588
1235
Mas a ideia básica
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
de que o córtex visual funciona como
uma série de elementos eletrónicos
uma série de elementos eletrónicos
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
que passam informações
de um para outro, em cascata,
de um para outro, em cascata,
05:39
is essentially correct.
111
327633
1602
está essencialmente correta.
05:41
Let's talk for a moment
112
329259
2350
Vamos falar por momentos
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
do que um modelo de processamento
de informações visuais precisaria de fazer.
de informações visuais precisaria de fazer.
05:48
The basic task of perception
114
336228
2741
A tarefa básica da perceção
05:50
is to take an image like this one and say,
115
338993
4194
é pegar numa imagem como esta e dizer:
"Isto é uma ave",
05:55
"That's a bird,"
116
343211
1176
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
o que é uma coisa muito simples
que fazermos com o cérebro.
que fazermos com o cérebro.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Mas devem compreender que,
para um computador,
para um computador,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
isso era praticamente impossível,
até há poucos anos.
até há poucos anos.
06:05
The classical computing paradigm
120
353865
1916
O paradigma clássico da informática
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
não permite realizar
facilmente essa tarefa.
facilmente essa tarefa.
06:11
So what's going on between the pixels,
122
359366
2552
Então, o que acontece entre os píxeis,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
entre a imagem de um pássaro
e a palavra "ave",
e a palavra "ave",
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
é uma série de neurónios
ligados uns aos outros
ligados uns aos outros
06:20
in a neural network,
125
368832
1155
numa rede neural
como este diagrama aqui.
como este diagrama aqui.
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
Esta rede neural pode ser biológica,
como no córtex visual,
como no córtex visual,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
ou, atualmente, começamos
a ter a capacidade de modelar
a ter a capacidade de modelar
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
estas redes neurais no computador.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Vou mostrar o aspeto que isso tem.
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
Podemos considerar os píxeis
como uma primeira camada de neurónio
como uma primeira camada de neurónio
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
— e, de facto, é assim
que funciona o olho —
que funciona o olho —
06:39
that's the neurons in the retina.
133
387914
1663
são os neurónios na retina.
06:41
And those feed forward
134
389601
1500
e eles transmitem as informações
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
camada após camada,
após camada de neurónios,
após camada de neurónios,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
todos ligados através de sinapses
de diferentes pesos.
de diferentes pesos.
06:49
The behavior of this network
137
397609
1335
O comportamento desta rede
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
é caracterizado pelas forças
de todas estas sinapses.
de todas estas sinapses.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Elas caracterizam as propriedades
informáticas dessa rede.
informáticas dessa rede.
06:57
And at the end of the day,
140
405588
1470
E por fim,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
temos um neurónio
ou um pequeno grupo de neurónios
ou um pequeno grupo de neurónios
07:01
that light up, saying, "bird."
142
409553
1647
que se iluminam, dizendo: "ave".
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Agora vou representar essas três coisas
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
— os píxeis de entrada
e as sinapses na rede neural,
e as sinapses na rede neural,
07:11
and bird, the output --
145
419700
1585
e a ave, o resultado —
07:13
by three variables: x, w and y.
146
421309
3057
por três variáveis: x, w e y.
07:16
There are maybe a million or so x's --
147
424853
1811
Há talvez um milhão de x,
07:18
a million pixels in that image.
148
426688
1953
um milhão de píxeis nesta imagem.
07:20
There are billions or trillions of w's,
149
428665
2446
Há milhares de milhões ou biliões de w,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
que representam os pesos de todas
essas sinapses na rede neural.
essas sinapses na rede neural.
07:26
And there's a very small number of y's,
151
434580
1875
E há um pequeno número de y,
07:28
of outputs that that network has.
152
436479
1858
de resultados que essa rede neural tem.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Ave" tem apenas três letras, não é?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Então vamos supor que isso
é uma fórmula simples,
é uma fórmula simples,
07:36
x "x" w = y.
155
444538
2163
x "vezes" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
Coloco o sinal de multiplicação entre aspas
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
porque o que realmente está
ali a acontecer,
ali a acontecer,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
é uma série muito complicada
de operações matemáticas
de operações matemáticas
07:47
That's one equation.
159
455172
1221
Isto é uma equação.
07:48
There are three variables.
160
456417
1672
Há três variáveis.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Todos nós sabemos que,
se temos uma equação,
se temos uma equação,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
podemos encontrar uma variável
se conhecermos as outras duas.
se conhecermos as outras duas.
07:57
So the problem of inference,
163
465158
3380
Assim, o problema da inferência,
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
ou seja, descobrir que a figura
de uma ave é uma ave,
de uma ave é uma ave,
08:03
is this one:
165
471459
1274
é o seguinte:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
É onde y é a incógnita
e w e x são conhecidos.
e w e x são conhecidos.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Conhecemos a rede neural,
conhecemos os píxeis.
conhecemos os píxeis.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Como podemos ver, isto é de facto
um problema relativamente simples.
um problema relativamente simples.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Multiplicamos duas vezes três
e está feito.
e está feito.
08:16
I'll show you an artificial neural network
170
484862
2123
Vou mostrar uma rede neural artificial
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
que construímos há pouco tempo,
fazendo exatamente isso.
fazendo exatamente isso.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Isto está a correr em tempo real
num telemóvel
num telemóvel
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
e, claro, é incrível, só por si,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
que os telemóveis possam fazer
milhares de milhões ou
milhares de milhões ou
ou biliões de operações por segundo.
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
O que estamos a ver é um telemóvel
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
a olhar para figuras de aves,
umas atrás das outras,
umas atrás das outras,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
a dizer: "Sim, isto é uma ave",
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
e também a identificar as espécies de aves
com uma rede deste tipo.
com uma rede deste tipo.
08:44
So in that picture,
180
512890
1826
Assim, nesta imagem,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
o x e o w são conhecidos,
e o y é a incógnita.
e o y é a incógnita.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Claro, estou a encobrir
a parte mais difícil,
a parte mais difícil,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
que é como podemos
descobrir o valor de w,
descobrir o valor de w,
08:56
the brain that can do such a thing?
184
524983
2187
como é que o cérebro
pode fazer tal coisa?
pode fazer tal coisa?
08:59
How would we ever learn such a model?
185
527194
1834
Como poderemos
aprender esse modelo?
aprender esse modelo?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Este processo de aprendizagem,
de encontrar o w,
de encontrar o w,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
se estivéssemos a fazer isso
com uma simples equação
com uma simples equação
09:07
in which we think about these as numbers,
188
535346
2000
em que utilizamos números,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
sabemos exatamente como fazer isso:
6 = 2 x w.
6 = 2 x w.
09:12
well, we divide by two and we're done.
190
540081
3312
Dividimos por dois e está feito.
09:16
The problem is with this operator.
191
544001
2220
O problema é com este operador.
09:18
So, division --
192
546823
1151
a divisão.
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
Usamos a divisão porque
é o inverso da multiplicação
é o inverso da multiplicação
09:23
but as I've just said,
194
551143
1440
mas, como acabei de dizer,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
a multiplicação aqui
é uma pequena mentira.
é uma pequena mentira.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Esta é uma operação muito complicada,
não é linear,
não é linear,
09:30
it has no inverse.
197
558430
1704
não tem forma inversa.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Então temos de descobrir
uma forma de resolver a equação
uma forma de resolver a equação
09:35
without a division operator.
199
563332
2024
sem um operador de divisão.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
A forma de fazer isso é bem simples.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Basta dizer: "Vamos brincar
com os truques da álgebra"
com os truques da álgebra"
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
e movemos o seis
para o lado direito da equação.
para o lado direito da equação.
09:45
Now, we're still using multiplication.
203
573372
1826
Continuamos a usar a multiplicação.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
E vamos pensar naquele zero
como um erro.
como um erro.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Por outras palavras,
se resolvermos da forma correta,
se resolvermos da forma correta,
09:53
then the error will be zero.
206
581818
1656
o erro será zero.
09:55
And if we haven't gotten it quite right,
207
583498
1938
E se não resolvemos corretamente,
o erro será maior do que zero.
o erro será maior do que zero.
09:57
the error will be greater than zero.
208
585460
1749
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Então podemos apenas dar palpites
para minimizar o erro.
para minimizar o erro.
Esse é o tipo de coisas em que
os computadores são muito bons.
os computadores são muito bons.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
10:05
So you've taken an initial guess:
211
593334
1593
Assim, temos um palpite inicial:
10:06
what if w = 0?
212
594951
1156
E se w = 0?
Então o erro é seis.
Então o erro é seis.
10:08
Well, then the error is 6.
213
596131
1240
E se w = 1?
Então o erro é 4.
Então o erro é 4.
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
Então o computador
pode fazer de Marco Polo,
pode fazer de Marco Polo,
10:13
and drive down the error close to zero.
216
601256
2367
e diminuir o erro
para mais próximo de zero.
para mais próximo de zero.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Fazendo isso, vamos ter sucessivas
aproximações até ao w.
aproximações até ao w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Normalmente, nunca lá chega,
mas após uma dúzia de passos,
mas após uma dúzia de passos,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
temos w = 2,999,
o que é suficientemente próximo.
o que é suficientemente próximo.
10:28
And this is the learning process.
220
616302
1814
É este o processo de aprendizagem.
10:30
So remember that what's been going on here
221
618140
2730
Por isso, lembrem-se
que o que está a acontecer aqui
que o que está a acontecer aqui
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
é que estamos a pegar num monte
de x e y conhecidos
de x e y conhecidos
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
e a procurar o w
através de um processo repetitivo.
através de um processo repetitivo.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Isto é a mesma coisa que fazemos
com a nossa aprendizagem.
com a nossa aprendizagem.
10:44
We have many, many images as babies
225
632354
2230
Temos muitas imagens,
enquanto bebés, e dizem-nos:
enquanto bebés, e dizem-nos:
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
"Isto é uma ave,
isto não é uma ave".
isto não é uma ave".
10:49
And over time, through iteration,
227
637714
2098
Ao longo do tempo, através da repetição,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
encontramos o w,
aquelas ligações neurais.
aquelas ligações neurais.
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
Então agora, temos o x e o w fixos,
para resolvermos o y.
para resolvermos o y.
10:59
that's everyday, fast perception.
230
647570
1847
É a perceção rápida, de todos os dias.
11:01
We figure out how we can solve for w,
231
649441
1763
Descobrimos como encontrar o w,
isso é aprendizagem,
o que é um muito mais difícil
o que é um muito mais difícil
11:03
that's learning, which is a lot harder,
232
651228
1903
11:05
because we need to do error minimization,
233
653155
1985
porque precisamos de minimizar o erro,
praticando muitos exemplos.
praticando muitos exemplos.
11:07
using a lot of training examples.
234
655164
1687
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Há uns anos, Alex Mordvintsev,
da nossa equipa,
da nossa equipa,
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
decidiu experimentar o que acontece
se tentarmos encontrar o x,
se tentarmos encontrar o x,
11:15
given a known w and a known y.
237
663660
2037
em que o w e o y são conhecidos.
11:18
In other words,
238
666124
1151
Por outras palavras,
sabemos que é uma ave,
sabemos que é uma ave,
11:19
you know that it's a bird,
239
667299
1352
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
já treinámos a rede neural com as aves,
11:24
but what is the picture of a bird?
241
672002
2344
mas o que é a imagem de uma ave?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Acontece que, usando exatamente o mesmo
procedimento de minimização de erros,
procedimento de minimização de erros,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
podemos fazer isso com a rede
treinada para reconhecer aves
treinada para reconhecer aves
11:35
and the result turns out to be ...
244
683536
3388
e o resultado será...
11:42
a picture of birds.
245
690400
1305
uma imagem de aves.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
É uma imagem de aves
gerada totalmente por uma rede neural,
gerada totalmente por uma rede neural,
11:48
that was trained to recognize birds,
247
696575
1826
treinada para reconhecer aves,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
simplesmente procurando x,
em vez de procurar o y,
em vez de procurar o y,
11:53
and doing that iteratively.
249
701987
1288
e fazendo-o por repetição.
11:55
Here's another fun example.
250
703732
1847
Eis outro exemplo engraçado.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Este foi um trabalho feito
por Mike Tyka no nosso grupo
por Mike Tyka no nosso grupo
12:01
which he calls "Animal Parade."
252
709064
2308
a que ele chama "Desfile de Animais".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Recorda-me um pouco as obras
de William Kentridge,
de William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
em que ele faz esboços e depois os apaga,
12:08
makes sketches, rubs them out,
255
716809
1460
faz esboços e os apaga
e cria um filme dessa forma
e cria um filme dessa forma
12:10
and creates a movie this way.
256
718293
1398
12:11
In this case,
257
719715
1151
Neste caso, Mike vai variando y
no espaço de diferentes animais
no espaço de diferentes animais
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
numa rede concebida
para reconhecer e distinguir
para reconhecer e distinguir
12:18
different animals from each other.
260
726597
1810
animais diferentes uns dos outros.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Podemos achar estranho, é como ter
uma metamorfose de um animal para outro.
uma metamorfose de um animal para outro.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Aqui ele e Alex, em conjunto,
tentaram reduzir os y
tentaram reduzir os y
12:30
the y's to a space of only two dimensions,
263
738859
2759
num espaço de apenas duas dimensões,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
criando um mapa fora do espaço
de todas as coisas
de todas as coisas
12:37
recognized by this network.
265
745104
1719
reconhecidas por essa rede.
12:38
Doing this kind of synthesis
266
746847
2023
Fazendo esse tipo de síntese
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
ou geração de imagens
sobre toda a superfície,
sobre toda a superfície,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
variando y na superfície,
fazemos uma espécie de mapa,
fazemos uma espécie de mapa,
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
um mapa visual de todas as coisas
que a rede sabe reconhecer.
que a rede sabe reconhecer.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Os animais estão todos aqui:
o tatu está naquele local.
o tatu está naquele local.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Também podemos fazer isso
com outras redes.
com outras redes.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Esta é uma rede desenhada
para reconhecer rostos,
para reconhecer rostos,
12:58
to distinguish one face from another.
273
766320
2000
para distinguir um rosto de outro.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Aqui, estamos a colocar um Y
que diz "eu",
que diz "eu",
13:03
my own face parameters.
275
771617
1575
os parâmetros do meu rosto.
13:05
And when this thing solves for x,
276
773216
1706
Quando isso é resolvido para x,
13:06
it generates this rather crazy,
277
774946
2618
gera a minha imagem, bastante louca,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
tipo cubista, surrealista, psicadélica,
de vários pontos de vista ao mesmo tempo.
13:14
from multiple points of view at once.
279
782040
1806
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
A razão de se parecer com vários
pontos de vista ao mesmo tempo,
pontos de vista ao mesmo tempo,
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
é porque esta rede está concebida
para se livrar da ambiguidade
para se livrar da ambiguidade
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
de um rosto estar numa pose qualquer,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
de ser visto com um tipo de luz,
com outro tipo de luz.
com outro tipo de luz.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Quando fazemos este tipo de reconstrução,
13:30
if you don't use some sort of guide image
285
798348
2304
se não usarmos qualquer tipo
de guia de imagem ou de estatística,
de guia de imagem ou de estatística,
13:32
or guide statistics,
286
800676
1211
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
obtemos uma certa confusão
de diferentes pontos de vista,
de diferentes pontos de vista,
13:37
because it's ambiguous.
288
805700
1368
porque isso é ambíguo.
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
É o que acontece se o Alex usar
o seu rosto como guia de imagem
o seu rosto como guia de imagem
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
durante o processo de otimização
para reconstruir o meu rosto.
para reconstruir o meu rosto.
13:48
So you can see it's not perfect.
291
816284
2328
Vemos que isto não é perfeito.
13:50
There's still quite a lot of work to do
292
818636
1874
Ainda há muito trabalho a fazer
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
sobre como melhorar
a otimização do processo.
a otimização do processo.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Mas começamos a ver alguma coisa
como um rosto coerente,
como um rosto coerente,
13:57
rendered using my own face as a guide.
295
825862
2014
usando o meu rosto como guia.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Não precisamos de começar
com uma tela em branco
com uma tela em branco
14:03
or with white noise.
297
831417
1156
ou com interferências,
14:04
When you're solving for x,
298
832597
1304
quando estamos a procurar x.
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
Podemos começar com um x
que, em si mesmo, já é uma outra imagem.
que, em si mesmo, já é uma outra imagem.
14:09
That's what this little demonstration is.
300
837838
2556
É isso que é esta pequena demonstração.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Esta é uma rede desenhada
para categorizar
para categorizar
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
todo o tipo de objetos — estruturas
feitas pelo homem, animais.
feitas pelo homem, animais.
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Aqui estamos a começar
apenas com uma imagem de nuvens.
apenas com uma imagem de nuvens.
14:22
and as we optimize,
304
850324
1671
Quando otimizamos,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
essa rede está a descobrir
o que vê nas nuvens.
o que vê nas nuvens.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Quanto mais tempo gastarmos
a olhar para isto,
a olhar para isto,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
mais coisas veremos nas nuvens.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Também podemos usar a rede de rostos
para enlouquecer isto
para enlouquecer isto
14:38
and you get some pretty crazy stuff.
309
866403
1812
e obtemos coisas muito loucas.
14:40
(Laughter)
310
868239
1150
(Risos)
14:42
Or, Mike has done some other experiments
311
870401
2744
Mike tem feito outras experiências
14:45
in which he takes that cloud image,
312
873169
3905
em que agarra nessa imagem de nuvens,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
enlouquece, aproxima, enlouquece,
aproxima, enlouquece, aproxima.
aproxima, enlouquece, aproxima.
14:52
And in this way,
314
880629
1151
Dessa forma,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
suponho que podemos obter
uma espécie de estado de fuga da rede,
uma espécie de estado de fuga da rede,
14:57
or a sort of free association,
316
885503
3680
ou um tipo de associação livre
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
em que a rede está a comer a sua cauda.
15:03
So every image is now the basis for,
318
891458
3421
Assim cada imagem é agora a base para:
"O que é que espero ver a seguir?"
15:06
"What do I think I see next?
319
894903
1421
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
"O que é que espero ver a seguir?
O que é que espero ver a seguir?"
O que é que espero ver a seguir?"
15:11
I showed this for the first time in public
321
899487
2936
Mostrei isto em público
pela primeira vez
pela primeira vez
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
a um grupo numa palestra em Seattle
chamada "A mais alta educação"
chamada "A mais alta educação"
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
— logo depois de ter sido
legalizada a marijuana.
legalizada a marijuana.
15:22
(Laughter)
324
910369
2415
(Risos)
15:26
So I'd like to finish up quickly
325
914627
2104
Gostaria de terminar rapidamente
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
notando que esta tecnologia
não está limitada.
não está limitada.
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
Mostrei-vos apenas exemplos visuais
porque eles são divertidos de ver.
porque eles são divertidos de ver.
15:36
It's not a purely visual technology.
328
924723
2451
Não é apenas uma tecnologia
puramente visual.
puramente visual.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
O nosso artista colaborador, Ross Goodwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
tem feito experiências que envolvem
uma câmara que tira fotos
uma câmara que tira fotos
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
e depois um computador na sua mochila
escreve um poema, usando redes neurais,
escreve um poema, usando redes neurais,
15:49
based on the contents of the image.
332
937168
1944
com base no conteúdo da imagem.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Essa poesia de rede neural
foi treinada
foi treinada
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
num grande corpo de poesia do século XX.
15:56
And the poetry is, you know,
335
944365
1499
Sabem uma coisa, acho que essa poesia
não é lá muito má.
não é lá muito má.
15:57
I think, kind of not bad, actually.
336
945888
1914
15:59
(Laughter)
337
947826
1384
(Risos)
16:01
In closing,
338
949234
1159
Para terminar,
16:02
I think that per Michelangelo,
339
950417
2132
acho que Miguel Ângelo tinha razão.
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
"A perceção e a criatividades
estão intimamente ligadas".
estão intimamente ligadas".
16:09
What we've just seen are neural networks
342
957611
2634
O que acabamos de ver
são redes neurais
são redes neurais
16:12
that are entirely trained to discriminate,
343
960269
2303
que estão totalmente treinadas
para discriminar ou reconhecer
para discriminar ou reconhecer
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
diferentes coisas no mundo,
16:16
able to be run in reverse, to generate.
345
964862
3161
capazes de funcionar
de trás para frente, de criar.
de trás para frente, de criar.
16:20
One of the things that suggests to me
346
968047
1783
Uma das coisas que me sugere
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
que não é apenas o que Miguel Ângelo viu,
16:24
the sculpture in the blocks of stone,
348
972276
2452
a escultura nos blocos de pedra.
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
Mas que qualquer criatura,
qualquer ser, qualquer alienígena,
qualquer ser, qualquer alienígena,
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
que seja capaz de fazer
ações percetivas deste tipo,
ações percetivas deste tipo,
16:34
is also able to create
351
982095
1375
também é capaz de criar,
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
porque é exatamente o mesmo mecanismo
usado nos dois casos.
usado nos dois casos.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Também acho que essa perceção e
criatividade não são de modo algum
criatividade não são de modo algum
16:43
uniquely human.
354
991298
1210
unicamente humanas.
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
Começámos com modelos de computadores
capazes de fazer este tipo de coisas.
capazes de fazer este tipo de coisas.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Isso não devia ser surpreendente:
o cérebro é um modelo informático.
o cérebro é um modelo informático.
16:51
And finally,
357
999616
1657
E finalmente,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
a informática começou como um exercício
para a conceção de máquinas inteligentes.
para a conceção de máquinas inteligentes.
16:57
It was very much modeled after the idea
359
1005989
2462
Foi modelado segundo a ideia
17:00
of how could we make machines intelligent.
360
1008475
3013
de que podemos fazer
máquinas inteligentes.
máquinas inteligentes.
17:03
And we finally are starting to fulfill now
361
1011512
2162
E finalmente estamos agora
a começar a atingir
a começar a atingir
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
algumas das promessas dos pioneiros,
17:08
of Turing and von Neumann
363
1016128
1713
de Turing e von Neumannn,
17:09
and McCulloch and Pitts.
364
1017865
2265
de McCulloch e Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Acho que a informática
não é apenas fazer contas
não é apenas fazer contas
17:16
or playing Candy Crush or something.
366
1024276
2147
ou jogar Candy Crush
ou qualquer outra coisa.
ou qualquer outra coisa.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Desde o começo,
modelámo-los segundo as nossas mentes.
modelámo-los segundo as nossas mentes.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Eles deram-nos a capacidade
para compreender as nossas mentes
para compreender as nossas mentes
17:24
and to extend them.
369
1032342
1529
e para os aperfeiçoar.
17:26
Thank you very much.
370
1034627
1167
Muito obrigado.
17:27
(Applause)
371
1035818
5939
(Aplausos)
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