TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Cum învaţă calculatoarele să fie creative
Filmed:
Readability: 4.4
1,934,067 views
Suntem în faţa unei noi frontiere în arta şi creativitate, care nu este umană. Blaise Agüera y Arcas, cercetător principal la Google, lucrează cu reţele neuronale profunde pentru percepţie artificială şi învăţare distribuitivă. În această demonstraţie captivantă, el arată cum reţelele neuronale programate să recunoască imagini pot fi acţionate în sens invers, pentru a le crea. Rezultatele sunt nişte colaje (şi poeme!) spectaculoase, halucinante care sfidează catalogarea. „Percepţia şi creativitatea sunt conectate foarte profund'' susţine Agüera y Arcas. „Orice creatură, orice fiinţă care este capabilă de acte de percepţie, este de asemenea capabilă să creeze.”
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
Conduc o echipă Google care
se ocupa de inteligenţa artificială;
se ocupa de inteligenţa artificială;
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
adică disciplina inginerească
a creării de computere şi dispozitive
a creării de computere şi dispozitive
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
ce pot face câteva
din lucrurile făcute de creier.
din lucrurile făcute de creier.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Asta ne face să fim interesaţi
de creierele reale şi de neurostiinţă,
de creierele reale şi de neurostiinţă,
00:26
and neuroscience as well,
4
14562
1289
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
dar mai ales de lucrurile
pe care creierele noastre le fac
pe care creierele noastre le fac
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
la niveluri mult superioare
performanţelor computerelor.
performanţelor computerelor.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Cronologic, unul din aceste domenii
a fost percepţia:
a fost percepţia:
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
procesul prin care
lucruri din lumea reală
lucruri din lumea reală
00:43
sounds and images --
9
31905
1584
– sunete şi imagini –
00:45
can turn into concepts in the mind.
10
33513
2178
se pot transforma în concepte ale minţii.
00:48
This is essential for our own brains,
11
36235
2517
Asta e esenţial pentru creierul nostru
00:50
and it's also pretty useful on a computer.
12
38776
2464
şi e destul de util şi pentru un computer.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
De exemplu, algoritmii
de percepţie artificială creaţi de noi,
de percepţie artificială creaţi de noi,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
sunt cei ce permit ca fotografiile voastre
din Google Photos să poată fi căutate,
din Google Photos să poată fi căutate,
01:00
based on what's in them.
15
48908
1397
în funcţie de ce conţin.
01:03
The flip side of perception is creativity:
16
51594
3493
Reversul percepţiei e creativitatea:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
transformarea unui concept
în ceva real, concret.
în ceva real, concret.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
În ultimul an, munca noastră
în domeniul percepţiei artificiale
în domeniul percepţiei artificiale
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
s-a conectat în mod surprinzător
şi cu lumea creativităţii artificiale
şi cu lumea creativităţii artificiale
01:18
and machine art.
20
66635
1160
şi a artei artificiale.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Cred că Michelangelo
a avut o intuiţie profundă
a avut o intuiţie profundă
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
privind această relaţie duală
dintre percepţie şi creativitate.
dintre percepţie şi creativitate.
01:28
This is a famous quote of his:
23
76023
2006
Iată un citat faimos al lui:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
„Fiecare bucată de piatră
are o statuie în interiorul său,
are o statuie în interiorul său,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
iar rolul sculptorului
e să o descopere”.
e să o descopere”.
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Cred că ce intuia Michelangelo
01:41
is that we create by perceiving,
27
89269
3180
e că noi creăm prin percepţie
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
şi că percepţia însăşi
e un act de imaginaţie
e un act de imaginaţie
01:47
and is the stuff of creativity.
29
95520
2461
şi ţine de creativitate.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Organul ce se ocupă de gândire, percepţie
şi imaginaţie e, desigur, creierul.
şi imaginaţie e, desigur, creierul.
01:54
of course, is the brain.
31
102640
1588
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Aş vrea să încep cu puţină istorie
01:59
about what we know about brains.
33
107658
2302
despre ce ştim despre creier.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Spre deosebire de inimă sau intestine
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
nu poţi spune prea multe
despre un creier doar uitându-te la el,
despre un creier doar uitându-te la el,
02:08
at least with the naked eye.
36
116134
1412
cel puţin nu cu ochiul liber.
02:09
The early anatomists who looked at brains
37
117983
2416
Primii anatomişti
care se uitau la creierul uman
care se uitau la creierul uman
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
au dat structurilor superficiale
ale acestuia tot felul de nume fanteziste,
ale acestuia tot felul de nume fanteziste,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
ca hipocamp, care înseamnă „crevete mic”.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Lucruri de genul ăsta
nu ne spun mare lucru
nu ne spun mare lucru
02:21
about what's actually going on inside.
41
129499
2318
despre ce se petrece de fapt în interior.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Prima persoană care
cred că a înţeles oarecum
cred că a înţeles oarecum
02:28
into what was going on in the brain
43
136417
1930
ce se petrece în creier,
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
a fost marele neuroanatonomist spaniol
din secolul 19, Santiago Ramón y Cajal,
din secolul 19, Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
02:35
who used microscopy and special stains
46
143883
3755
care a folosit microscopia
şi coloraţii speciale
şi coloraţii speciale
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
ce puteau umple selectiv,
să redea în contrast foarte înalt
să redea în contrast foarte înalt
02:43
the individual cells in the brain,
48
151856
2008
celulele individuale ale creierului,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
ca să poată începe
să le înţeleagă morfologia.
să le înţeleagă morfologia.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Iată desenele neuronilor
făcute de el în secolul 19.
făcute de el în secolul 19.
02:52
in the 19th century.
51
160887
1209
02:54
This is from a bird brain.
52
162120
1884
Ăsta e de la creierul unei păsări.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Vedeţi aceasta varietate incredibilă
de diverse tipuri de celule,
de diverse tipuri de celule,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
chiar şi teoria celulară era
destul de nouă la acel moment.
destul de nouă la acel moment.
03:02
And these structures,
55
170568
1278
Iar aceste structuri,
03:03
these cells that have these arborizations,
56
171870
2259
aceste celule ce au aceste ramificaţii,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
aceste ramuri ce pot ajunge
la distanţe foarte mari...
la distanţe foarte mari...
03:08
this was very novel at the time.
58
176785
1616
asta era o mare noutate atunci.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Seamănă, desigur, cu firele.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
E posibil ca asta să fi fost evident
pentru unii din secolul 19;
pentru unii din secolul 19;
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
revoluţia tehnologică a cablurilor
şi electricităţii tocmai începea.
şi electricităţii tocmai începea.
03:21
But in many ways,
62
189964
1178
Dar în multe sensuri,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
desenele de microanatomie ale lui
Ramón y Cajal, precum acesta,
Ramón y Cajal, precum acesta,
03:26
they're still in some ways unsurpassed.
64
194503
2332
sunt încă, într-un fel, inegalabile.
03:28
We're still more than a century later,
65
196859
1854
După mai mult de un secol,
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
încă încercăm să terminăm opera
începută de Ramón y Cajal.
începută de Ramón y Cajal.
03:33
These are raw data from our collaborators
67
201586
3134
Astea sunt datele brute
de la colaboratorii noştri
de la colaboratorii noştri
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
de la Institutul
de Neuroştiintă Max Planck.
de Neuroştiintă Max Planck.
03:39
And what our collaborators have done
69
207649
1790
Colaboratorii noştri
03:41
is to image little pieces of brain tissue.
70
209463
5001
au scanat mici părţi de ţesut cerebral.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Întreaga mostră de aici
are cam un milimetru cub,
are cam un milimetru cub,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
iar eu vă arăt aici
doar o foarte mică parte din ea.
doar o foarte mică parte din ea.
03:52
That bar on the left is about one micron.
73
220483
2346
Acea linie din stânga
are aproape un micron.
are aproape un micron.
03:54
The structures you see are mitochondria
74
222853
2409
Structurile pe care le vedeţi
sunt mitocondrii,
sunt mitocondrii,
03:57
that are the size of bacteria.
75
225286
2044
ce au dimensiunile unei bacterii.
03:59
And these are consecutive slices
76
227354
1551
Astea sunt secţiuni consecutive
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
prin aceasta foarte mică bucată de ţesut.
04:04
Just for comparison's sake,
78
232101
2403
Doar de dragul comparaţiei,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
diametrul mediu al unui fir de păr
e de aproximativ 100 de microni.
e de aproximativ 100 de microni.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Deci ne uităm la ceva mult, mult mai mic
04:12
than a single strand of hair.
81
240642
1398
decât un singur fir de par.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Din aceste tipuri de felii consecutive
de microscopie electronică,
de microscopie electronică,
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
se pot face reconstrucţii 3D
ale neuronilor care arată aşa.
ale neuronilor care arată aşa.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Sunt cam în acelaşi stil ca cele
ale lui Ramón y Cajal.
ale lui Ramón y Cajal.
04:26
Only a few neurons lit up,
85
254332
1492
Doar caţiva neuroni se aprind,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
deoarece altfel nu am putea
distinge nimic aici.
distinge nimic aici.
04:30
It would be so crowded,
87
258653
1312
Ar fi atât de aglomerat,
04:31
so full of structure,
88
259989
1330
atât de plin de structuri,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
de fire care conectează un
neuron de celălalt.
neuron de celălalt.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal a fost
cu un pas înaintea epocii sale,
cu un pas înaintea epocii sale,
04:40
and progress on understanding the brain
91
268121
2555
iar dezvoltarea înţelegerii creierului
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
a continuat încet în următoarele decenii.
04:45
But we knew that neurons used electricity,
93
273455
2853
Dar ştiam că neuronii
folosesc electricitate
folosesc electricitate
şi prin 1940, tehnologia
era destul de avansată
era destul de avansată
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
ca să facem experimente
electrice pe neuroni vii
electrice pe neuroni vii
04:54
to better understand how they worked.
96
282122
2106
pentru a înţelege mai bine
cum funcţionează.
cum funcţionează.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
În exact aceeaşi perioadă
erau inventate computerele,
erau inventate computerele,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
care se bazau pe ideea
modelării creierului
modelării creierului
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
– a „maşinăriei inteligente”,
cum a numit-o Alan Turing,
cum a numit-o Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
unul dintre părinţii informaticii.
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 şi Walter Pitts
s-au uitat la desenul lui Ramón y Cajal
s-au uitat la desenul lui Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
cu cortexul vizual
– pe care îl vedeţi aici.
– pe care îl vedeţi aici.
05:15
which I'm showing here.
103
303920
1562
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Acesta este cortexul care procesează
imaginile venite de la ochi.
imaginile venite de la ochi.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Pentru ei, asta arată
ca diagrama unui circuit electric.
ca diagrama unui circuit electric.
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
Sunt multe detalii din diagrama
lui McCulloch şi Pitts
lui McCulloch şi Pitts
05:30
that are not quite right.
107
318212
1352
care nu sunt tocmai corecte.
05:31
But this basic idea
108
319588
1235
Dar ideea de bază,
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
că acest cortex vizual funcţionează
ca o serie de elemente computaţionale
ca o serie de elemente computaţionale
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
care transmit informaţia
unul către altul în cascadă,
unul către altul în cascadă,
05:39
is essentially correct.
111
327633
1602
e în esenţă corectă.
05:41
Let's talk for a moment
112
329259
2350
Hai să vorbim puţin
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
despre ce ar trebui să facă un model
al procesării informaţiei vizuale.
al procesării informaţiei vizuale.
05:48
The basic task of perception
114
336228
2741
Sarcina principală a percepţiei
05:50
is to take an image like this one and say,
115
338993
4194
e să ia o imagine ca aceasta şi să zică,
05:55
"That's a bird,"
116
343211
1176
„Aia e o pasăre”,
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
un lucru simplu
pentru creierul nostru.
pentru creierul nostru.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Trebuie să înţelegeţi
că pentru un computer,
că pentru un computer,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
asta era imposibil acum câţiva ani.
06:05
The classical computing paradigm
120
353865
1916
Paradigma computaţională clasică,
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
nu e una în care sarcina asta
e uşor de îndeplinit.
e uşor de îndeplinit.
06:11
So what's going on between the pixels,
122
359366
2552
Deci ce se întâmplă între pixeli,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
între imaginea păsării
şi cuvântul „pasăre”,
şi cuvântul „pasăre”,
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
e de fapt un set de neuroni interconectaţi
într-o reţea neuronală,
într-o reţea neuronală,
06:20
in a neural network,
125
368832
1155
06:22
as I'm diagramming here.
126
370011
1223
ca în această diagramă.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Această reţea neuronală
poate fi biologică, în cortexul vizual,
poate fi biologică, în cortexul vizual,
sau, acum începem să avem
capacitatea să modelăm
capacitatea să modelăm
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
astfel de reţele neuronale
pe calculator.
pe calculator.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Iată cum arată asta de fapt.
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
Vă puteţi imagina pixelii
ca primul strat de neuroni,
ca primul strat de neuroni,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
de fapt, aşa funcţionează ochiul
06:39
that's the neurons in the retina.
133
387914
1663
– sunt neuronii din retină.
06:41
And those feed forward
134
389601
1500
Ei transmit semnalul
mai departe
mai departe
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
prin straturi de neuroni consecutive,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
conectate prin sinapse
de diferite dimensiuni.
de diferite dimensiuni.
06:49
The behavior of this network
137
397609
1335
Comportarea acestei reţele
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
e caracterizată de puterile
tuturor sinapselor.
tuturor sinapselor.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Ele caracterizează trăsăturile
computaţionale ale acestei reţele.
computaţionale ale acestei reţele.
06:57
And at the end of the day,
140
405588
1470
Iar la final
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
veţi avea un neuron
sau un grup mic de neuroni
sau un grup mic de neuroni
07:01
that light up, saying, "bird."
142
409553
1647
care se aprind zicând „pasăre”.
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Voi reprezenta acum acele trei lucruri:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
pixelii de intrare şi sinapsele
din reţeaua neuronală,
din reţeaua neuronală,
07:11
and bird, the output --
145
419700
1585
şi pasărea – rezultatul –
07:13
by three variables: x, w and y.
146
421309
3057
prin trei variabile: x, w, şi y.
07:16
There are maybe a million or so x's --
147
424853
1811
Pot fi aproximativ un milion de x,
07:18
a million pixels in that image.
148
426688
1953
un milion de pixeli în acea imagine.
07:20
There are billions or trillions of w's,
149
428665
2446
Sunt miliarde sau un trilioane 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
care reprezintă puterea tuturor
sinapselor din reţeaua neuronală.
sinapselor din reţeaua neuronală.
07:26
And there's a very small number of y's,
151
434580
1875
Mai exista un număr foarte mic de y,
07:28
of outputs that that network has.
152
436479
1858
de rezultate ale reţelei.
07:30
"Bird" is only four letters, right?
153
438361
1749
„Pasăre” are doar 6 litere, corect?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Să spunem că asta e doar o formulă simplă
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
Pun înmulţirea între ghilimele
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
pentru că acolo se petrece, de fapt,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
o serie foarte complicată
de operaţii matematice,
de operaţii matematice,
07:47
That's one equation.
159
455172
1221
avem o ecuaţie.
07:48
There are three variables.
160
456417
1672
Avem trei variabile.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Cu toţii ştim că dacă ai o ecuaţie
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
poţi afla o variabilă
dacă le ştii pe celelalte două.
dacă le ştii pe celelalte două.
07:57
So the problem of inference,
163
465158
3380
Deci problema deducţiei,
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
adică să descoperi
că imaginea unei păsări e o pasăre
că imaginea unei păsări e o pasăre
08:03
is this one:
165
471459
1274
e aceasta:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
y e necunoscut în timp ce
w şi x sunt cunoscute.
w şi x sunt cunoscute.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Cunoaştem reţeaua neuronală,
cunoaştem pixelii.
cunoaştem pixelii.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Cum puteţi vedea,
e o problemă relativ simplă.
e o problemă relativ simplă.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Înmulţim 2 ori 3 şi am rezolvat.
08:16
I'll show you an artificial neural network
170
484862
2123
Vă voi arăta o reţea
neuronală artificială
neuronală artificială
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
pe care am creat-o recent.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Aceasta rulează în timp real
pe un telefon mobil,
pe un telefon mobil,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
şi deja acest lucru e uimitor,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
că telefoanele pot face aşa multe
miliarde şi trilioane de operaţii/secundă.
miliarde şi trilioane de operaţii/secundă.
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
Acesta e un telefon
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
care se uită la o serie de imagini
ale unei păsări,
ale unei păsări,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
şi nu zice doar „da, e o pasăre”,
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
dar identifică şi specia păsării,
folosind o reţea de acest tip.
folosind o reţea de acest tip.
08:44
So in that picture,
180
512890
1826
Deci în acea poză,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
x şi w sunt cunoscute
iar y e necunoscut.
iar y e necunoscut.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Sar peste partea foarte dificilă,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
anume, cum reuşim să-l descoperim w,
08:56
the brain that can do such a thing?
184
524983
2187
care e creierul care poate face asta?
08:59
How would we ever learn such a model?
185
527194
1834
Cum am putea găsi un astfel de model?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Acest proces al învăţării,
al aflării lui w,
al aflării lui w,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
dacă am face asta cu ecuaţia simplă
09:07
in which we think about these as numbers,
188
535346
2000
în care gândim variabilele ca numere,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
ştim exact cum s-o rezolvăm: 6 = 2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
împărţim la 2 şi am terminat.
09:16
The problem is with this operator.
191
544001
2220
Problema e cu acest operator.
09:18
So, division --
192
546823
1151
Împărţirea
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
– folosim împărţirea deoarece
e inversul înmulţirii,
e inversul înmulţirii,
09:23
but as I've just said,
194
551143
1440
dar, aşa cum am spus,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
înmulţirea e o mică minciună aici –
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
e o operaţie foarte complicată,
foarte non-lineară,
foarte non-lineară,
09:30
it has no inverse.
197
558430
1704
nu are un invers.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Deci trebuie să găsim un mod
de a rezolva ecuaţia
de a rezolva ecuaţia
09:35
without a division operator.
199
563332
2024
fără a folosi împărţirea.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
Iar soluţia e destul de simplă.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Să zicem că facem un truc aritmetic
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
şi mutăm cifra 6
în partea dreapta a ecuaţiei.
în partea dreapta a ecuaţiei.
09:45
Now, we're still using multiplication.
203
573372
1826
Astfel încă folosim înmulţirea.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Iar acel zero, să-l privim
ca pe o eroare.
ca pe o eroare.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Altfel spus, dacă am aflat w
în modul corect,
în modul corect,
09:53
then the error will be zero.
206
581818
1656
atunci eroarea va fi zero.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Dacă am greşit,
09:57
the error will be greater than zero.
208
585460
1749
eroarea va fi mai mare decât zero.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Acum putem încerca să ghicim,
pentru a reduce eroarea.
pentru a reduce eroarea.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
Ăsta e unul din lucrurile
la care computerele excelează.
la care computerele excelează.
10:05
So you've taken an initial guess:
211
593334
1593
Deci iniţial am presupus:
10:06
what if w = 0?
212
594951
1156
dacă w = 0? Eroarea ar fi 6.
10:08
Well, then the error is 6.
213
596131
1240
10:09
What if w = 1? The error is 4.
214
597395
1446
Dacă w = 1? Eroarea e 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
Atunci computerul
ar putea să o ia pe bâjbâite,
ar putea să o ia pe bâjbâite,
10:13
and drive down the error close to zero.
216
601256
2367
şi ar reduce eroarea până aproape de zero.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Pe măsură ce face asta,
obţine aproximări succesive ale lui w.
obţine aproximări succesive ale lui w.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Normal, nu ajunge la rezultatul exact,
dar cam după o duzină de paşi,
dar cam după o duzină de paşi,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
ajungem la w = 2,999,
ceea ce e destul de aproape.
ceea ce e destul de aproape.
10:28
And this is the learning process.
220
616302
1814
Acesta e procesul de învăţare.
10:30
So remember that what's been going on here
221
618140
2730
Recapitulând, ce facem aici
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
e să luăm o groază
de x şi y cunoscuţi
de x şi y cunoscuţi
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
ca să-l descoperim w
printr-un proces iterativ.
printr-un proces iterativ.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
E exact aşa cum facem noi când învăţăm.
10:44
We have many, many images as babies
225
632354
2230
Ca bebeluşi vedem multe, multe imagini
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
şi ni se spune „asta e o pasăre,
asta nu e o pasăre”.
asta nu e o pasăre”.
10:49
And over time, through iteration,
227
637714
2098
Cu timpul, prin repetiţie,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
îl aflăm pe w, descoperim
conexiunile neuronale.
conexiunile neuronale.
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
Acum am păstrat constante x şi w
pentru a-l afla pe y;
pentru a-l afla pe y;
10:59
that's everyday, fast perception.
230
647570
1847
asta e percepţia rapidă, de zi cu zi.
11:01
We figure out how we can solve for w,
231
649441
1763
Ne dăm seama cum putem descoperi w,
11:03
that's learning, which is a lot harder,
232
651228
1903
asta e învăţarea, care e mult mai grea,
11:05
because we need to do error minimization,
233
653155
1985
deoarece trebuie să minimizăm eroarea
prin multe încercări de învăţare.
prin multe încercări de învăţare.
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
Cam acum un an, Alex Mordvintsev
din echipa noastră,
din echipa noastră,
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
a hotărât să vadă ce se întâmplă
dacă încercăm să descoperim x,
dacă încercăm să descoperim x,
11:15
given a known w and a known y.
237
663660
2037
când sunt date w şi y.
11:18
In other words,
238
666124
1151
Cu alte cuvinte,
11:19
you know that it's a bird,
239
667299
1352
ştiţi că e o pasăre
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
şi aveţi deja reţeaua neuronală
care a fost pregătită pe păsări,
care a fost pregătită pe păsări,
11:24
but what is the picture of a bird?
241
672002
2344
dar ce este imaginea unei păsări?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Folosind aceeaşi procedură
de minimizare a erorii,
de minimizare a erorii,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
se poate face asta cu reţeaua pregătită
să recunoască păsări,
să recunoască păsări,
11:35
and the result turns out to be ...
244
683536
3388
iar rezultatul va fi...
11:42
a picture of birds.
245
690400
1305
o imagine cu păsări.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Asta e o imagine cu păsări
generată integral de o reţea neuronală
generată integral de o reţea neuronală
11:48
that was trained to recognize birds,
247
696575
1826
pregătită să recunoască păsări,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
doar cerându-i să-l afle pe x
în loc să-l afle pe y
în loc să-l afle pe y
11:53
and doing that iteratively.
249
701987
1288
şi făcând asta iterativ.
11:55
Here's another fun example.
250
703732
1847
Iată un alt exemplu distractiv.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
E o lucrare făcută de Mike Tyka
în grupul nostru,
în grupul nostru,
12:01
which he calls "Animal Parade."
252
709064
2308
intitulată „Parada animalelor”.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Seamănă puţin cu operele de artă
ale lui William Kentridge,
ale lui William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
în care face schiţe, le şterge,
12:08
makes sketches, rubs them out,
255
716809
1460
face schiţe, le sterge,
12:10
and creates a movie this way.
256
718293
1398
şi aşa face un film.
12:11
In this case,
257
719715
1151
În acest caz,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
Mike îl modifică pe y
în funcţie de diferite animale,
în funcţie de diferite animale,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
într-o reţea creată să recunoască
şi să distingă diferite animale,
şi să distingă diferite animale,
12:18
different animals from each other.
260
726597
1810
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
iar rezultatul e o metamorfoză ciudată
de tip Escher, de la un animal la altul.
de tip Escher, de la un animal la altul.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Aici el şi Alex
au încercat să-l reducă pe y
au încercat să-l reducă pe y
12:30
the y's to a space of only two dimensions,
263
738859
2759
la un spaţiu cu două dimensiuni,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
făcând astfel o hartă
din spaţiul tuturor lucrurilor
din spaţiul tuturor lucrurilor
12:37
recognized by this network.
265
745104
1719
recunoscute de această reţea..
12:38
Doing this kind of synthesis
266
746847
2023
Făcând acest tip de sinteză
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
sau generare a imaginilor
pe întreaga suprafaţă,
pe întreaga suprafaţă,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
schimbându-l pe y pe suprafaţă,
faci un fel de hartă,
faci un fel de hartă,
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
o hartă vizuală a tuturor lucrurilor
pe care reţeaua le recunoaşte.
pe care reţeaua le recunoaşte.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Animalele sunt aici;
Tatuul (armadillo) e în punctul ăla.
Tatuul (armadillo) e în punctul ăla.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Se poate face asta
şi cu alte tipuri de reţele.
şi cu alte tipuri de reţele.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Asta e o reţea creată să recunoască feţe,
12:58
to distinguish one face from another.
273
766320
2000
sa distingă un chip de altul.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Aici introducem un y numit „eu”,
13:03
my own face parameters.
275
771617
1575
parametrii chipului meu.
13:05
And when this thing solves for x,
276
773216
1706
Iar când îl află pe x,
13:06
it generates this rather crazy,
277
774946
2618
generează această imagine a mea
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
nebuneasca, cubista,
suprarealista, psihedelică
suprarealista, psihedelică
13:14
from multiple points of view at once.
279
782040
1806
combinând mai multe puncte de vedere.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Pare că sunt mai multe
puncte de vedere simultan
puncte de vedere simultan
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
pentru că reţeaua e creată
ca să elimine ambiguitatea
ca să elimine ambiguitatea
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
unui chip pus într-o postură sau alta,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
văzut într-o lumină sau alta.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Când faci acest tip de reconstrucţie,
13:30
if you don't use some sort of guide image
285
798348
2304
dacă nu foloseşti o imagine de control
sau statistici de control,
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
atunci vei avea un fel de confuzie
a mai multor puncte de vedere
a mai multor puncte de vedere
13:37
because it's ambiguous.
288
805700
1368
deoarece e ambiguu.
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
Asta se întâmplă dacă Alex foloseşte
chipul său ca imagine de control
chipul său ca imagine de control
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
în timpul procesului de optimizare
pentru reconstrucţia feţei mele.
pentru reconstrucţia feţei mele.
13:48
So you can see it's not perfect.
291
816284
2328
Puteţi vedea că nu e perfect.
13:50
There's still quite a lot of work to do
292
818636
1874
E încă destul de multă muncă
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
pentru optimizarea
acestui proces de optimizare,
acestui proces de optimizare,
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
dar începem să obţinem
ceva ce aduce mai mult cu o faţă,
ceva ce aduce mai mult cu o faţă,
13:57
rendered using my own face as a guide.
295
825862
2014
Când folosim ca referinţă chipul meu.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Nu trebuie început cu o pânză goală
14:03
or with white noise.
297
831417
1156
sau cu zgomot alb.
14:04
When you're solving for x,
298
832597
1304
Când vrei să-l afli pe 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
poţi începe cu un x care deja
e el însuşi o altă imagine.
e el însuşi o altă imagine.
14:09
That's what this little demonstration is.
300
837838
2556
Asta reprezintă aceasta mică demonstraţie.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Asta e o reţea creată să clasifice
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
tot felul de obiecte diferite –
structuri create de om, animale...
structuri create de om, animale...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Aici începem cu imaginea unor nori,
14:22
and as we optimize,
304
850324
1671
şi pe măsură ce optimizăm,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
această reţea îşi imaginează
ce vede în nori.
ce vede în nori.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Cu cât priviţi asta mai mult,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
cu atât mai multe lucruri
veţi vedea şi voi în nori.
veţi vedea şi voi în nori.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Am putea folosi şi reţeaua chipurilor
pentru a halucina astfel,
pentru a halucina astfel,
14:38
and you get some pretty crazy stuff.
309
866403
1812
şi obţii lucruri destul de nebuneşti.
14:40
(Laughter)
310
868239
1150
(Râsete)
14:42
Or, Mike has done some other experiments
311
870401
2744
Mike a făcut şi alte experimente
14:45
in which he takes that cloud image,
312
873169
3905
în care ia acea imagine a norilor,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
halucinează, măreşte, halucinează,
măreşte, halucinează, măreşte.
măreşte, halucinează, măreşte.
14:52
And in this way,
314
880629
1151
Şi în felul ăsta,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
poţi obţine un fel de fugă disociativă
a reţelei, presupun,
a reţelei, presupun,
14:57
or a sort of free association,
316
885503
3680
sau un fel de asociere liberă,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
în care reţeaua îşi mănâncă propria coada.
15:03
So every image is now the basis for,
318
891458
3421
Deci acum fiecare imagine e baza pentru:
15:06
"What do I think I see next?
319
894903
1421
„Ce cred că văd acum?
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
Ce cred că văd acum?
Ce cred că văd acum?”
Ce cred că văd acum?”
15:11
I showed this for the first time in public
321
899487
2936
Prima dată, am prezentat
asta în public
asta în public
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
unui grup la un curs din Seattle,
intitulat „Educaţia Superioară”.
intitulat „Educaţia Superioară”.
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
Asta se petrecea chiar
după legalizarea marijuanei.
după legalizarea marijuanei.
15:22
(Laughter)
324
910369
2415
(Râsete)
15:26
So I'd like to finish up quickly
325
914627
2104
Vreau să închei repede
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
menţionând că această tehnologie
nu e restricţionată.
nu e restricţionată.
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
V-am arătat doar exemple vizuale
deoarece sunt distractive.
deoarece sunt distractive.
15:36
It's not a purely visual technology.
328
924723
2451
Nu e doar tehnologie vizuală.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Colaboratorul nostru,
artistul Ross Godwin,
artistul Ross Godwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
a făcut experimente cu o cameră
care face o fotografie
care face o fotografie
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
şi apoi un computer din rucsacul lui scrie
o poezie folosind reţelele neuronale,
o poezie folosind reţelele neuronale,
15:49
based on the contents of the image.
332
937168
1944
pornind de la conţinutul imaginii.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Acea reţea neuronală de poezie
a fost antrenată
a fost antrenată
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
cu o colecţie mare
de poezii al secolului 20.
de poezii al secolului 20.
15:56
And the poetry is, you know,
335
944365
1499
Iar poezia nu e deloc rea
după părerea mea.
după părerea mea.
15:57
I think, kind of not bad, actually.
336
945888
1914
15:59
(Laughter)
337
947826
1384
(Râsete).
16:01
In closing,
338
949234
1159
În încheiere,
16:02
I think that per Michelangelo,
339
950417
2132
în privinţa lui Michelangelo
16:04
I think he was right;
340
952573
1234
cred că avea dreptate;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
percepţia şi creativitatea
sunt puternic conectate.
sunt puternic conectate.
16:09
What we've just seen are neural networks
342
957611
2634
Tocmai am văzut reţele neuronale
pregătite să distingă
pregătite să distingă
16:12
that are entirely trained to discriminate,
343
960269
2303
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
sau să recunoască
diferite lucruri din lume,
diferite lucruri din lume,
16:16
able to be run in reverse, to generate.
345
964862
3161
ce pot fi rulate în sens invers,
ca să genereze.
ca să genereze.
16:20
One of the things that suggests to me
346
968047
1783
Unul din lucrurile sugerate de asta
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
e nu numai că Michelangelo chiar a văzut
16:24
the sculpture in the blocks of stone,
348
972276
2452
sculptura din interiorul
blocului de piatră,
blocului de piatră,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
dar că orice creatură, orice fiinţă,
orice extraterestru
orice extraterestru
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
care e capabil
de acte perceptive de acel gen
de acte perceptive de acel gen
16:34
is also able to create
351
982095
1375
e capabil şi să creeze
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
deoarece acelaşi mecanism
e folosit în ambele cazuri.
e folosit în ambele cazuri.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Cred de asemenea că percepţia şi
creativitatea nu sunt exclusiv umane.
creativitatea nu sunt exclusiv umane.
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
Începem să avem modele informatice
care fac exact genul ăsta de lucruri.
care fac exact genul ăsta de lucruri.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Asta nu ar trebui să ne surprindă:
creierul e computaţional.
creierul e computaţional.
16:51
And finally,
357
999616
1657
Şi în sfârşit,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
informatica început ca un exerciţiu
de creare a inteligenţei artificiale.
de creare a inteligenţei artificiale.
16:57
It was very much modeled after the idea
359
1005989
2462
A fost modelată după ideea
17:00
of how could we make machines intelligent.
360
1008475
3013
„cum putem face maşinăriile inteligente”.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Acum începem să împlinim
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
câteva dintre promisiunile
primilor pioneri,
primilor pioneri,
17:08
of Turing and von Neumann
363
1016128
1713
ale lui Turing şi von Neumann
17:09
and McCulloch and Pitts.
364
1017865
2265
şi McCulloch şi Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Cred că informatica
nu mai însemnă doar contabilitate,
nu mai însemnă doar contabilitate,
17:16
or playing Candy Crush or something.
366
1024276
2147
sau să joci Candy Crush sau altceva.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Încă de la început, le-am creat
după minţile noastre.
după minţile noastre.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Şi ne-au dat capacitatea să ne înţelegem
mai bine propriile minţi
mai bine propriile minţi
17:24
and to extend them.
369
1032342
1529
şi să le extindem.
17:26
Thank you very much.
370
1034627
1167
Vă mulţumesc foarte mult.
17:27
(Applause)
371
1035818
5939
(Aplauze)
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