TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
Blaise Aguera Y Arcas สาธิต Photosynth
Filmed:
Readability: 4.3
5,831,957 views
Blaise Aguera Y Arcas ที่นำแพร้วสาธิตของ Photosynth ซอฟต์แวร์ที่จะเปลี่ยนวิธีที่เรามองดิจิตอลอิมเมจ. ยังคงใช้ภาพถ่าย จากเว็บ Photosynth สร้างน่าทึ่ง dreamscapes และช่วยให้เรานำทางพวกเขา.
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.
00:25
What I'm going to show you first, as quickly as I can,
0
0
2000
สิ่งที่ผมจะนำเสนอคุณอันดับแรก และจะไปให้เร็วที่สุดเท่าที่ทำได้
00:27
is some foundational work, some new technology
1
2000
4000
นั่นคืองานรากฐาน ซึ่งเป็นเทคโนโลยีใหม่ที่เรานำมาให้
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
แก่ไมโครซอฟท์ที่ถือเป็นส่วนหนึ่งของการควบรวมกิจการ
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
ที่มีขึ้นเกือบครบหนึ่งปีแล้ว นี่คือ Seadragon
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
และนี่เป็นสภาพแวดล้อมที่คุณ สามารถสื่อสารระหว่างกับข้อมูล
00:40
interact with vast amounts of visual data.
5
15000
3000
จำนวนมหาศาลได้ทั้งในระยะใกล้และระยะไกล
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
เรากำลังดูที่ภาพถ่ายดิจิตอล จำนวนมากมายหลายกิกะไบต์อยู่
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
และการดึงภาพเข้ามาใกล้อย่างต่อเนื่องและลื่นไหล
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
การแพนผ่านวัตถุ การจัดเรียงภาพ ในแบบใดก็ได้ที่เราต้องการ
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
และไม่ต้องสนใจว่าเรากำลังดู ข้อมูลมากน้อยเพียงใด
00:56
how big these collections are or how big the images are.
10
31000
3000
ว่างานสะสมจะใหญ่โตแค่ไหน หรือภาพจะมีขนาดใหญ่เพียงใด
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
รูปส่วนใหญ่จะเป็นรูปถ่ายจากกล้องดิจิตอลธรรมดานี่เอง
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
แต่ภาพนี้เป็นภาพสแกนจากห้องสมุด รัฐสภาอเมริกัน
01:05
and it's in the 300 megapixel range.
13
40000
2000
และเป็นภาพขนาด 300 เมกะพิกเซล
01:08
It doesn't make any difference
14
43000
1000
จะเห็นว่าไม่ได้แตกต่างอะไรเลย
01:09
because the only thing that ought to limit the performance
15
44000
3000
เพราะมีเพียงสิ่งเดียวเท่านั้นที่จะจำกัดสมรรถนะ
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
ของระบบที่คล้ายกับระบบนี้คือ จำนวนพิกเซลบนจอภาพของคุณ
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
ณ ช่วงเวลาใดเวลาหนึ่ง ระบบนี้ยังมีสถาปัตยกรรมที่ยืดหยุ่นมาก
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
นี่ก็คือหนังสือทั้งเล่ม เป็นตัวอย่างข้อมูลที่ไม่ใช่รูปภาพ
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
นี่คือหนังสือบรีกเฮ้าส์แต่งโดยดิกเคนส์ แต่ละคอลัมน์คือหนื่งบท
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
เพื่อพิสูจน์ให้คุณเห็นว่านี่เป็นตัวหนังสือจริงๆ และไม่ใช่รูปภาพ
01:31
we can do something like so, to really show
21
66000
2000
เราทำได้แบบนี้ เพื่อแสดงให้เห็นว่า
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
นี่คือการนำเสนอตัวหนังสือจริงๆ สิ่งที่เห็นไม่ใช่รูปภาพ
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
บางทีนี่อาจเป็นวิธีประดิษฐ์ในการอ่านอี-บุ๊คก็ได้
01:39
I wouldn't recommend it.
24
74000
1000
ผมไม่ขอแนะนำวิธีนี้นะครับ
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
ต่อไปนี้คือกรณีที่ใกล้เคียงความจริงมากกว่า นี่คือหนังสือพิมพ์ Guardian
01:43
Every large image is the beginning of a section.
26
78000
2000
ภาพขนาดใหญ่ทุกภาพเป็นจุดแรกของของส่วน
01:45
And this really gives you the joy and the good experience
27
80000
3000
และนี่จะให้ความเพลิดเพลิน และประสบการณ์ที่ดีสำหรับคุณจริงๆ
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
ในการอ่านรูปแบบสมจริงของ นิตยสารหรือหนังสือพิมพ์
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
ซึ่งเป็นสื่อประเภทที่หลากหลายระดับมาตั้งแต่แรก
01:56
We've also done a little something
30
91000
1000
เรายังได้ทำอะไรเพิ่มอีกเล็กน้อย
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
กับหัวมุมของหนังสือพิมพ์ The Guardian ฉบับนี้ด้วย
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
เราได้ทำโฆษณาปลอมที่มีรายละเอียดสูงมาก--
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
สูงกว่าที่คุณจะนำไปใช้กับโฆษณาทั่วๆ ไปได้ --
02:05
and we've embedded extra content.
34
100000
2000
แล้วเราใส่เนื้อหาเพิ่มเติมลงไป
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
ถ้าคุณอยากคุณสมบัติเด่นๆ ของรถยนต์คันนี้ คุณสามารถดูได้ที่นี่
02:10
Or other models, or even technical specifications.
36
105000
4000
หรือรุ่นอื่นๆ หรือแม้แต่รายละเอียดจำเพาะทางเทคนิค
02:15
And this really gets at some of these ideas
37
110000
2000
และนี่ทำให้เกิดแนวความคิดบางอย่าง
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
เกี่ยวกับการฉีกข้อจำกัดในเรื่องพื้นที่ บนจอภาพเหล่านั้น
02:22
We hope that this means no more pop-ups
39
117000
2000
เราหวังว่านี่หมายถึงไม่มีพวกป๊อบอัพอีกต่อไป
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
และบรรดาข้อมูลขยะประเภทอื่นๆ ไม่จำเป็นต้องมี
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
แน่นอนครับ การทำแผนที่ถือเป็น โปรแกรมหนึ่งที่เห็นได้ชัดเจนที่สุด
02:29
for a technology like this.
42
124000
2000
ของเทคโนโลยีแบบนี้
02:31
And this one I really won't spend any time on,
43
126000
2000
ส่วนนี้ผมจะไม่พูดถึงนะครับ เพียงแค่จะพูดว่า
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
เรามีความสามารถที่จะช่วยส่งเสริม ในการทำงานด้านนี้ด้วยเข่นกัน
02:37
But those are all the roads in the U.S.
45
132000
2000
แต่ภาพที่เห็นคือถนนทั้งหมดในสหรัฐอเมริกา
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
ที่วางซ้อนทับบนภาพถ่ายกำหนดพิกัด ทางภูมิศาสตร์ของนาซ่า
02:44
So let's pull up, now, something else.
47
139000
2000
ตอนนี้เรามาดูส่วนอื่นกันนะครับ
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
ภาพนี้อยู่บนเวปไซต์แล้วในขณะนี้ คุณสามารถลองใช้ดูได้เลยครับ
02:49
This is a project called Photosynth,
49
144000
1000
นี่คือโครงการชื่อว่า Photosynth
02:51
which really marries two different technologies.
50
146000
1000
ซึ่งผสมผสานเทคโลยี่ที่แตกต่างกันสองแบบ
02:52
One of them is Seadragon
51
147000
1000
หนึ่งในเทคโนโลยีคือ Seadragon
02:54
and the other is some very beautiful computer vision research
52
149000
2000
และอีกอีกแบบคืองานวิจัยการมองภาพของคอมพิวเตอร์ที่สวยงามมาก
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
สร้างขึ้นโดย โนอาห์ สเนฟลี่ นักศึกษาปริญญาโทที่มหาวิทยาลัยวอร์ชิงตัน
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
ร่วมให้คำปรึกษาโดย สตีฟ ไซส์ ที่มหาวิทยาลัยวอร์ชิงตัน
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
และ ริกค์ สลิซกี้ แห่งหน่วยวิจัยของไมโครซอฟท์ การร่วมมือที่ดีจริงๆ ครับ
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
และนี่ก็แสดงอยู่บนเวปไซต์แล้วและมี Seadragon เป็นตัวขับเคลื่อน
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
คุณจะเห็นว่าเมื่อเราทำมุมภาพต่างๆ เหล่านั้น
03:12
where we can dive through images
58
167000
1000
เมื่อเราดำดิ่งผ่านรูปภาพต่างๆ และได้รับ
03:14
and have this kind of multi-resolution experience.
59
169000
1000
ประสบการณ์ที่รูปภาพมีรายละเอียดหลากหลาย
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
แต่การจัดวางรูปภาพที่ล่องลอยอยู่ในอากาศนี้ มีความหมายอย่างยิ่ง
03:20
The computer vision algorithms have registered these images together
61
175000
3000
อัลกอลิธึมการมองของคอมพิวเตอร์ ได้เก็บบันทึกรูปภาพเหล่านี้ไว้ด้วยกัน
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
ดังนั้นเมื่ออัลกอลิธึมสัมพันธ์กับพื้นที่จริงในรูปภาพเหล่านี้ --
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
ซึ่งถูกถ่ายใกล้ทะเลสาบกราสซี่ ในเทือกเขาร๊อกกี้ประเทศแคนาดา --
03:31
all these shots were taken. So you see elements here
64
186000
2000
เพราะฉะนั้น คุณเห็นองค์ประกอบต่างๆ ที่นี้
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
ของภาพสไลด์ที่เสถียรคงที่ หรือการแสดงภาพแบบพาโนรามิก
03:40
and these things have all been related spatially.
66
195000
2000
และภาพเหล่านี้ทั้งหมดสัมพันธ์กันทางอากาศ
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
ผมไม่แน่ใจว่าจะมีเวลาพอที่จะ แสดงให้คุณเห็นสภาพแวดล้อมอื่นๆ
03:45
There are some that are much more spatial.
68
200000
1000
ยังมีสภาพแวดล้อมบางอย่างที่สัมพันธ์กับอากาศมากกว่านี้
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
ผมอยากไปที่หนึ่งในชุดข้อมูลต้นฉบับของโนอาห์เลย --
03:50
and this is from an early prototype of Photosynth
70
205000
2000
และภาพนี้มาจากต้นแบบช่วงแรกๆ ของ Photosynth
03:52
that we first got working in the summer --
71
207000
2000
ที่เราทำให้ระบบทำงานครั้งแรกในช่วงฤดูร้อน --
03:54
to show you what I think
72
209000
1000
เพื่อแสดงให้คุณเห็นถึงสิ่งที่ผมคิด
03:55
is really the punch line behind this technology,
73
210000
3000
ว่าเป็นสิ่งสำคัญที่อยู่เบื้องหลังเทคโนโลยีนี้
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
นั่นคือเทคโนโลยี Photosynth และไม่จำเป็นจะต้องชัดเจน
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
จากการดูที่สภาพแวดล้อมที่เราได้เอาขึ้นบนเวปไซต์
04:04
We had to worry about the lawyers and so on.
76
219000
2000
เมื่อก่อนเรากังวลเรื่องทนายความและเรื่องอื่นๆ
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
นี่คือการสร้างโมเดลโบสถ์นอร์ทเธอดามขึ้นใหม่
04:09
that was done entirely computationally
78
224000
2000
ที่ถูกทำขึ้นด้วยการคำนวณทางคอมพิวเตอร์ทั้งหมด
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
จากรูปภาพที่ได้มาจาก Flickr คุณแค่พิมพ์คำว่านอร์ทเธอดามใน Flickr เท่านั้น
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
แล้วคุณจะได้รูปภาพของชายสวมเสื้อยืด และรูปภาพมหาวิทยาลัย
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
และรูปอื่นๆ และโดยกรวยสีส้ม แต่ละอันจะแสดงรูปภาพหนึ่งภาพ
04:22
that was discovered to belong to this model.
82
237000
2000
ที่ถูกค้นพบเพื่อให้เป็นของโมเดลนี้
04:26
And so these are all Flickr images,
83
241000
2000
และรูปภาพเหล่านี้ทั้งหมดได้จาก Flickr
04:28
and they've all been related spatially in this way.
84
243000
3000
และถูกเชื่อมสัมพันธ์กันในเชิงอากาศในวิธีนี้
04:31
And we can just navigate in this very simple way.
85
246000
2000
และเราสามารถท่องไปได้ด้วยวิธีการที่แสนธรรมดานี้
04:35
(Applause)
86
250000
9000
(เสียงปรบมือ)
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
ผมไม่เคยคิดเลยว่าจะมาลงเอยทำงานที่ไมโครซอฟท์
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
ผมรู้สึกยินดีอย่างยิ่งที่ได้รับการต้อนรับ เป็นอย่างดี ณ ที่นี้
04:50
(Laughter)
89
265000
3000
(เสียงหัวเราะ)
04:53
I guess you can see
90
268000
3000
ผมกะว่าคุณจะเห็น
04:56
this is lots of different types of cameras:
91
271000
2000
มีกล้องถ่ายรูปที่แตกต่างกันหลายชนิด
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
มีตั้งแต่กล้องถ่ายรูปในโทรศัพท์มือถือ ไปจนถึงกล้องเอสแอลอาร์ของมืออาชีพ
05:02
quite a large number of them, stitched
93
277000
1000
รูปภาพจำนวนมากถูกผูกติดเข้าไว้กัน
05:03
together in this environment.
94
278000
1000
ในสภาพแวดล้อมนี้
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
และถ้าทำได้ ผมจะหารูปแปลกๆ มาให้คุณดู
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
ดังนั้นภาพต่างๆ ปิดเหลื่อมกันด้วยหน้าและส่วนอื่นๆ
05:13
Somewhere in here there are actually
97
288000
1000
จริงๆ แล้ว รูปภาพที่อยู่ในที่นี้บางแห่ง
05:15
a series of photographs -- here we go.
98
290000
1000
คือชุดของภาพถ่าย -- เชิญครับ
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
จริงๆ นี่คือรูปโปสเตอร์ของโบสถ์นอร์ทเธอดาม ที่ถูกบันทึกไว้อย่างถูกต้อง
05:21
We can dive in from the poster
100
296000
2000
เราสามารถดำดิ่งจากโปสเตอร์
05:24
to a physical view of this environment.
101
299000
3000
ลงไปยังมุมมองกายภาพของสภาพแวดล้อมนี้ได้
05:31
What the point here really is is that we can do things
102
306000
3000
จุดประสงค์ ณ ที่นี้ก็คือว่า เราสามารถทำหลายสิ่งได้
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
ด้วยสภาพแวดล้อมทางสังคม นั่นคือการนำข้อมูลจากทุกคน --
05:39
from the entire collective memory
104
314000
1000
จากความทรงจำรวมทั้งหมด
05:40
of, visually, of what the Earth looks like --
105
315000
2000
ของภาพของโลกมนุษย์ผ่านสายตาของเรา --
05:43
and link all of that together.
106
318000
1000
แล้วเชื่อมสิ่งทั้งหมดเข้าด้วยกัน
05:44
All of those photos become linked together,
107
319000
2000
ภาพถ่ายทั้งหมดกลายเป็นภาพที่ถูกเชื่อมต่อกัน
05:46
and they make something emergent
108
321000
1000
แล้วสร้างบางสิ่งบางอย่างให้ปรากฎขึ้น
05:47
that's greater than the sum of the parts.
109
322000
2000
ซึ่งยิ่งใหญ่กว่าผลรวมของส่วนต่างๆ ที่ประกอบขึ้นมา
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
คุณมีโมเดลที่จะสร้างโลกมนุษย์ทั้งใบได้ ลองเปรียบเทียบ
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
สิ่งนี้เป็นกลยุทธ์การตลาดกับงาน Virtual Earth ของสตีเฟ่น ลอว์เลอร์
05:56
And this is something that grows in complexity
112
331000
2000
และนี่คือสิ่งที่เติบโตขึ้นในความสลับซับซ้อน
05:58
as people use it, and whose benefits become greater
113
333000
3000
เมื่อผู้คนใช้งานระบบ และผู้ใช้ได้รับผลประโยชน์มากกว่า
06:01
to the users as they use it.
114
336000
2000
เมื่อพวกเขาใช้งานระบบ
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
ภาพถ่ายของพวกเขาจะถูกใส่ คำอธิบายด้วยข้อมูล-เมต้า
06:05
that somebody else entered.
116
340000
1000
ที่คนอื่นเป็นผู้ใส่
06:07
If somebody bothered to tag all of these saints
117
342000
3000
ถ้าใครบางพยายามใส่คำอธิบายให้นักบุญทั้งหมดนี้
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
แล้วบอกว่าพวกเขาคือใคร ทันใดนั้นเอง รูปภาพโบสถ์นอร์ทเธอร์ดามของผม
06:13
suddenly gets enriched with all of that data,
119
348000
2000
ก็จะเต็มไปด้วยข้อมูลนั่นทั้งหมด
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
และผมสามารถใช้มันเป็นจุดเข้าถึง ที่จะดำดิ่งไปในอากาศนั้น
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
เข้าไปสู่โลกจำลองด้วยการใช้รูปภาพของคนอื่น
06:21
and do a kind of a cross-modal
122
356000
2000
และได้ประสบการณ์ทางสังคมที่รับรู้
06:25
and cross-user social experience that way.
123
360000
3000
แตกต่างและผู้ใช้ที่แตกต่างด้วยวิธีนั้น
06:28
And of course, a by-product of all of that
124
363000
1000
และแน่นอน ผลผลิตที่เกิดตามมาจากสิ่งเหล่านั้น
06:30
is immensely rich virtual models
125
365000
2000
จะเป็นโมเดลจำลองที่อุดมสมบูรณ์อย่างมาก
06:32
of every interesting part of the Earth, collected
126
367000
2000
ของสิ่งที่น่าสนใจทุกส่วนของโลก ที่ถูกรวบรวมไว้
06:35
not just from overhead flights and from satellite images
127
370000
3000
ไม่ใช่แค่รูปภาพทางอากาศและจากดาวเทียมเท่านั้น
06:38
and so on, but from the collective memory.
128
373000
2000
และอื่นๆ แต่มาจากความทรงจำรวม
06:40
Thank you so much.
129
375000
2000
ขอบคุณมากครับ
06:42
(Applause)
130
377000
11000
(เสียงปรบมือ)
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
คริส แอนเดอร์สัน: ไม่ทราบว่าผมเข้าใจถูกมั้ยครับ สิ่งที่ซอฟต์แวร์ของคุณจะทำให้เกิดขึ้น
06:58
is that at some point, really within the next few years,
132
393000
2000
ในเวลาเวลาใดเวลาหนึ่ง จริงๆ แล้ว ภายในเวลาอีกไม่กีปี
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
ภาพทั้งหมดที่ถูกแบ่งปันกันกับผู้อื่นทั่วโลก
07:05
are going to basically link together?
134
400000
2000
จะถูกเชื่อมโยงเข้าด้วยกันจริงๆ หรือครับ
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
บีเอเอ: ใช่ครับ สิ่งที่ระบบทำจริงๆ แล้ว ก็คือการค้นพบ
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
ระบบจะสร้างไฮเปอร์ลิงค์ ถ้าคุณจะทำ ระหว่างรูปภาพ
07:12
And it's doing that
137
407000
1000
และระบบก็กำลังสิ่งนี้อยู่
07:13
based on the content inside the images.
138
408000
1000
โดยใช้เนื้อหาภายในรูปภาพเป็นหลัก
07:14
And that gets really exciting when you think about the richness
139
409000
3000
และมันน่าตื่นเต้นจริงๆ เมื่อคุณคิดเกี่ยวกับความอุดมสมบูรณ์
07:17
of the semantic information that a lot of those images have.
140
412000
2000
ของข้อมูลข่าวสารที่มีความหมายที่รูปภาพเหล่านั้นมี
07:19
Like when you do a web search for images,
141
414000
2000
เหมือนกับตอนที่คุณค้นหารูปภาพในเว็บ
07:22
you type in phrases, and the text on the web page
142
417000
2000
คุณพิมพ์วลีและข้อความหน้าเวป
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
จะนำข้อมูลจำนวนมากเกี่ยวกับรายละเอียดของรูปภาพนั้น
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
ตอนนี้ จะเกิดอะไรขึ้นหากรูปภาพนั่น เชื่อมต่อกับรูปภาพของคุณทั้งหมด
07:29
Then the amount of semantic interconnection
145
424000
2000
จากนั้นปริมาณการเชื่อมต่อถึงกันอย่างมีความหมาย
07:31
and the amount of richness that comes out of that
146
426000
1000
และปริมาณความสมบูรณ์ที่ออกมากจากการเชื่อมต่อนั้น
07:32
is really huge. It's a classic network effect.
147
427000
3000
มหาศาลจริงๆ นี่คือปรากฎการณ์เครือข่ายแบบคลาสสิก
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
ซีเอ: เบลส เหลือเชื่อจริงๆ ขอแสดงความยินดีด้วยครับ
07:37
BAA: Thanks so much.
149
432000
1000
บีเอเอ: ขอบคุณมากครับ
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