TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Máy tính đang học cách sáng tạo như thế nào
Filmed:
Readability: 4.4
1,934,067 views
Chúng ta chuẩn bị bước qua ranh giới để đến được vùng đất bên kia của nghệ thuật và sáng tạo, và đó không phải của con người. Blaise Agüera y Arcas, nhà khoa học hàng đầu tại Google, đang nghiên cứu chuyên sâu về mạng lưới thần kinh giúp máy tính có tri giác và hỗ trợ chúng học tập các ngành được phân bổ. Với bài nói đầy tính thuyết phục kèm ví dụ minh hoạ, anh đã cho chúng ta thấy làm thế nào mà những mạng lưới thần kinh nhân tạo được thiết kế để nhận diện hình ảnh lại có thể tạo ra sản phẩm mới. Kết quả thu được chính là những bức tranh huyền ảo tuyệt vời (có cả thơ) ra đời, bất kể chúng thuộc loại nào. "Sự tri nhận và sáng tạo có mối quan hệ mật thiết với nhau," Agüera y Arcas đã nói như thế. "Bất kì sinh vật nào, chỉ cần có khả năng tri nhận thì sẽ có khả năng sáng tạo."
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
Tôi là trưởng nhóm nghiên cứu
Trí tuệ nhân tạo tại Google;
Trí tuệ nhân tạo tại Google;
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
nói cách khác, đó là những quy tắc
công nghệ để máy tính và thiết bị
công nghệ để máy tính và thiết bị
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
làm được những gì mà
não người làm được.
não người làm được.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Và việc này làm chúng tôi
thấy hứng thú với não người thật
thấy hứng thú với não người thật
00:26
and neuroscience as well,
4
14562
1289
cũng như khoa học thần kinh,
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
và đặc biệt là với những gì
mà não của chúng ta có thể
mà não của chúng ta có thể
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
thực hiện tốt hơn nhiều so với máy tính.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Về lịch sử, một trong số đó
chính là khả năng tri nhận,
chính là khả năng tri nhận,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
là quá trình biến đổi những gì
ở thế giới bên ngoài
ở thế giới bên ngoài
00:43
sounds and images --
9
31905
1584
như âm thanh và hình ảnh
00:45
can turn into concepts in the mind.
10
33513
2178
thành dạng khái niệm trong tư duy.
00:48
This is essential for our own brains,
11
36235
2517
Khái niệm rất quan trọng với não,
00:50
and it's also pretty useful on a computer.
12
38776
2464
cũng khá hữu ích trên máy tính.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Ví dụ, những thuật toán tri giác
cho máy mà nhóm tôi viết ra,
cho máy mà nhóm tôi viết ra,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
chính là thứ giúp bạn tìm
được hình ảnh trên Google Photo,
được hình ảnh trên Google Photo,
01:00
based on what's in them.
15
48908
1397
căn cứ vào trong hình có gì.
01:03
The flip side of perception is creativity:
16
51594
3493
Đối lập với tri nhận là sáng tạo:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
là biến khái niệm đã biết thành
sản phẩm của thế giới.
sản phẩm của thế giới.
Trong năm qua, khả năng tri nhận
nhân tạo mà nhóm tôi nghiên cứu
nhân tạo mà nhóm tôi nghiên cứu
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
đã bất ngờ kết nối được với
khả năng sáng tạo nhân tạo
khả năng sáng tạo nhân tạo
01:18
and machine art.
20
66635
1160
và nghệ thuật nhân tạo.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Tôi nghĩ Michlangelo
có một hiểu biết sâu sắc
có một hiểu biết sâu sắc
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
về mối quan hệ song đôi giữa
tri nhận và sáng tạo.
tri nhận và sáng tạo.
01:28
This is a famous quote of his:
23
76023
2006
Đây là câu trích dẫn ưa thích của ông:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Tảng đá nào cũng có linh hồn
là bức tượng,
là bức tượng,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
và một thợ điêu khắc có nhiệm vụ
khám phá ra nó."
khám phá ra nó."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Nên tôi nghĩ điều Michelangelo
muốn nói đến chính là
muốn nói đến chính là
01:41
is that we create by perceiving,
27
89269
3180
chúng ta sáng tạo được nhờ tri nhận,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
và bản thân sự tri nhận đó
là hành động tưởng tượng
là hành động tưởng tượng
01:47
and is the stuff of creativity.
29
95520
2461
và là nguyên liệu cho sáng tạo.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Cơ quan thực hiện mọi quá trình
tri nhận và sáng tạo diễn ra,
tri nhận và sáng tạo diễn ra,
01:54
of course, is the brain.
31
102640
1588
tất nhiên, là bộ não.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Tôi sẽ bắt đầu bằng một chút lịch sử
01:59
about what we know about brains.
33
107658
2302
nói về hiểu biết của chúng ta về não.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Nói thế này, khác hẳn trái tim
hay nội tạng,
hay nội tạng,
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
bạn thật sự không nói được gì nhiều
chỉ bằng việc quan sát bộ não,
chỉ bằng việc quan sát bộ não,
02:08
at least with the naked eye.
36
116134
1412
nhất là khi nhìn bằng mắt thường.
Những bác sĩ phẫu thuật
đầu tiên quan sát bộ não
đầu tiên quan sát bộ não
02:09
The early anatomists who looked at brains
37
117983
2416
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
đã đặt tên cho cấu trúc bề mặt
của nó mọi cái tên thú vị,
của nó mọi cái tên thú vị,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
chẳng hạn như thuỳ hải mã,
nghĩa là "con tôm nhỏ".
nghĩa là "con tôm nhỏ".
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Nhưng tất nhiên cái tên đó
cũng không nói được gì nhiều
cũng không nói được gì nhiều
02:21
about what's actually going on inside.
41
129499
2318
về những gì đang thực sự
diễn ra bên trong.
diễn ra bên trong.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Tôi nghĩ người đầu tiên
phát triển hiểu biết thật sự
phát triển hiểu biết thật sự
02:28
into what was going on in the brain
43
136417
1930
về những gì đang diễn ra trong não bộ
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
là nhà giải phẫu thần kinh vĩ đại người
Tây Ban Nha, Santiago Ramón y Cajal,
Tây Ban Nha, Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
vào thế kỷ 19,
02:35
who used microscopy and special stains
46
143883
3755
ông là người dùng kính hiển vi và
chất nhuộm màu đặc biệt
chất nhuộm màu đặc biệt
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
có thể điền vào hay minh hoạ kĩ lưỡng
từng tế bào trong não
từng tế bào trong não
02:43
the individual cells in the brain,
48
151856
2008
với độ tương phản cao,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
để bắt đầu hiểu được
hình thái của chúng.
hình thái của chúng.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Và đây là kiểu bản vẽ mà ông
diễn tả các nơ-ron thần kinh
diễn tả các nơ-ron thần kinh
02:52
in the 19th century.
51
160887
1209
vào thế kỷ 19.
02:54
This is from a bird brain.
52
162120
1884
Đây là ảnh minh hoạ cho não chim.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Như bạn thấy, có cực kỳ nhiều loại
tế bào khác nhau,
tế bào khác nhau,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
mà ngay cả thuyết tế bào cũng
còn khá lạ lẫm với chúng.
còn khá lạ lẫm với chúng.
03:02
And these structures,
55
170568
1278
Và những cấu trúc này,
03:03
these cells that have these arborizations,
56
171870
2259
những tế bào này có nhiều nhánh,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
các nhánh có thể truyền đi rất rất xa
03:08
this was very novel at the time.
58
176785
1616
lúc bấy giờ, điều này nghe thật khó tin.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Tất nhiên khi đó nhìn chúng như
những sợi dây điện.
những sợi dây điện.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Những người ở thế kỷ 19
sẽ thấy chúng y như vậy;
sẽ thấy chúng y như vậy;
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
cuộc cách mạng về lưới điện và điện
khi ấy đang diễn ra.
khi ấy đang diễn ra.
03:21
But in many ways,
62
189964
1178
Nhưng bằng nhiều cách,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
những bản vẽ giải phẫu kích thước µm
của Ramón y Cajal's, như ảnh này,
của Ramón y Cajal's, như ảnh này,
03:26
they're still in some ways unsurpassed.
64
194503
2332
vẫn còn vài điểm chưa vượt trội.
03:28
We're still more than a century later,
65
196859
1854
Hơn một thế kỷ sau, giờ đây chúng ta
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
vẫn đang nỗ lực hoàn thành điều
mà Ramón y Cajal đã bắt đầu.
mà Ramón y Cajal đã bắt đầu.
03:33
These are raw data from our collaborators
67
201586
3134
Đây là những dữ liệu thô
từ các cộng tác viên
từ các cộng tác viên
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
làm việc tại Viện nghiên cứu
khoa học thần kinh Max Planck.
khoa học thần kinh Max Planck.
03:39
And what our collaborators have done
69
207649
1790
Cộng tác viên của chúng tôi đã vẽ
03:41
is to image little pieces of brain tissue.
70
209463
5001
từng mẩu nhỏ của mô não.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Toàn bộ hình mẫu ở đây có kích thước
thật chỉ 1 mm khối,
thật chỉ 1 mm khối,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
và ở đây, các bạn đang xem
một mẩu rất rất nhỏ của nó.
một mẩu rất rất nhỏ của nó.
03:52
That bar on the left is about one micron.
73
220483
2346
Đường kẻ bên trái khoảng
1 micrômét (µm).
1 micrômét (µm).
03:54
The structures you see are mitochondria
74
222853
2409
Những cấu trúc bạn đang thấy là ti tể
03:57
that are the size of bacteria.
75
225286
2044
có kích thước cấp độ vi khuẩn.
03:59
And these are consecutive slices
76
227354
1551
Và đây là những lát cắt liên tiếp
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
của khối mô vô cùng nhỏ này.
04:04
Just for comparison's sake,
78
232101
2403
Chỉ với mục đích đối chiếu,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
thì đường kính trung bình của 1 sợi tóc
khoảng 100 µm.
khoảng 100 µm.
Do đó, ta đang nhìn thấy một thứ
nhỏ hơn rất rất nhiều
nhỏ hơn rất rất nhiều
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
so với một sợi tóc.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Và từ hàng loạt những lát cắt có
kích thước hiển vi của hạt electron,
kích thước hiển vi của hạt electron,
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
ta có thể tạo ra bản vẽ 3D để
dựng lại cấu trúc nơron như thế này.
dựng lại cấu trúc nơron như thế này.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Vậy nên những bản vẽ này cũng
giống với bản của Ramón y Cajal.
giống với bản của Ramón y Cajal.
04:26
Only a few neurons lit up,
85
254332
1492
Chỉ có vài nơron sáng lên thôi,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
vì nếu không, chúng ta sẽ không
thấy được gì hết.
thấy được gì hết.
04:30
It would be so crowded,
87
258653
1312
Quá nhiều nơron chen chúc,
04:31
so full of structure,
88
259989
1330
cấu tạo vô cùng phức tạp,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
tất cả các sợi nơron đều nối với nhau,
tạo ra mạng lưới chằng chịt.
tạo ra mạng lưới chằng chịt.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Do đó, Ramón y Cajal có hơi cấp tiến
so với thời của mình,
so với thời của mình,
04:40
and progress on understanding the brain
91
268121
2555
và những hiểu biết về bộ não
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
dần phát triển trong
những thập kỷ tiếp theo.
những thập kỷ tiếp theo.
04:45
But we knew that neurons used electricity,
93
273455
2853
Nhưng chúng ta vốn biết nơron
sử dụng điện để hoạt động,
sử dụng điện để hoạt động,
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
và cho đến Thế chiến II, công nghệ
mới đủ tiên tiến
mới đủ tiên tiến
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
để tiến hành các thí nghiệm điện
thật sự trên nơron thật
thật sự trên nơron thật
04:54
to better understand how they worked.
96
282122
2106
để hiểu rõ hơn cách chúng vận hành.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Đây cũng là thời điểm máy vi tính
được phát minh,
được phát minh,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
chủ yếu dựa trên ý tưởng
mô phỏng lại bộ não
mô phỏng lại bộ não
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
nó là một "cái máy thông minh",
như cách mà Alan Turing gọi,
như cách mà Alan Turing gọi,
một trong những người tiên phong
cho khoa học máy tính.
cho khoa học máy tính.
05:07
one of the fathers of computer science.
100
295244
1991
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 và Walter Pitts
quan sát bản vẽ của Ramón y Cajal
quan sát bản vẽ của Ramón y Cajal
05:14
of visual cortex,
102
302579
1317
mô tả vỏ não thị giác,
05:15
which I'm showing here.
103
303920
1562
như bạn đang thấy.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Đây là phần vỏ não phụ trách xử lý
hình ảnh được mắt ghi nhận.
hình ảnh được mắt ghi nhận.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Với McCulloch và Pitts, trông nó như
một sơ đồ mạch điện.
một sơ đồ mạch điện.
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
Nên có rất nhiều chi tiết trong
bản vẽ của hai người
bản vẽ của hai người
05:30
that are not quite right.
107
318212
1352
không chính xác cho lắm.
05:31
But this basic idea
108
319588
1235
Nhưng về ý tưởng cốt lõi
xem vỏ não thị giác như vi mạch điện tử
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
truyền thông tin từ mạch này
qua mạch khác theo tầng,
qua mạch khác theo tầng,
05:39
is essentially correct.
111
327633
1602
lại hoàn toàn chính xác.
05:41
Let's talk for a moment
112
329259
2350
Chúng ta hãy bàn một chút
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
sẽ cần những gì để quá trình
xử lý thông tin hình ảnh diễn ra.
xử lý thông tin hình ảnh diễn ra.
05:48
The basic task of perception
114
336228
2741
Bước căn bản chính trong
quá trình tri nhận
quá trình tri nhận
05:50
is to take an image like this one and say,
115
338993
4194
là nhìn vào ảnh, như hình này, và nói:
05:55
"That's a bird,"
116
343211
1176
"Đó là một con chim"
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
là chuyện vô cùng đơn giản mà não
ta thực hiện.
ta thực hiện.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Nhưng bạn nên hiểu rằng để
máy tính hiểu được hình ảnh,
máy tính hiểu được hình ảnh,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
vài năm trước vẫn còn
là chuyện bất khả thi.
là chuyện bất khả thi.
06:05
The classical computing paradigm
120
353865
1916
Với hệ thống máy tính thế hệ đầu
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
thì việc này không dễ thực hiện.
06:11
So what's going on between the pixels,
122
359366
2552
Vậy những gì diễn ra giữa
các điểm ảnh,
các điểm ảnh,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
giữa hình vẽ một con chim,
và từ "con chim",
và từ "con chim",
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
về bản chất là một tập hợp nơron
với các nơron nối với nhau
với các nơron nối với nhau
06:20
in a neural network,
125
368832
1155
thành mạng lưới nơron,
06:22
as I'm diagramming here.
126
370011
1223
như sơ đồ tôi vẽ đây.
Mạng lưới này có thể mang tính
sinh học, nằm trong hai vỏ não thị giác,
sinh học, nằm trong hai vỏ não thị giác,
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
hay ngày nay, chúng ta có thể
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
mô phỏng những mạng lưới
như vậy trên máy tính.
như vậy trên máy tính.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Và tôi sẽ cho bạn xem
nó trông thế nào.
nó trông thế nào.
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
Bạn có thể xem các điểm ảnh
là lớp nơron thứ nhất,
là lớp nơron thứ nhất,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
và thật ra, đó là cách mà
mắt hoạt động
mắt hoạt động
06:39
that's the neurons in the retina.
133
387914
1663
đó là các nơron trong võng mạc.
06:41
And those feed forward
134
389601
1500
Tiếp theo chúng chạy thẳng ra trước
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
đi lần lượt vào trong các
lớp nơron sau, từng lớp một,
lớp nơron sau, từng lớp một,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
tất cả nối lại bằng các sợi xi-náp
có khối lượng khác nhau.
có khối lượng khác nhau.
06:49
The behavior of this network
137
397609
1335
Trạng thái của mạng lưới này
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
đặc trưng bởi độ bền
của những sợi xi-náp.
của những sợi xi-náp.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Chúng khắc hoạ đặc tính giống hệ mạch
điện tử của mạng lưới này.
điện tử của mạng lưới này.
06:57
And at the end of the day,
140
405588
1470
Và cuối cùng,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
bạn có một sợi nơron hay một bó nhỏ
gồm các sợi nơron
gồm các sợi nơron
07:01
that light up, saying, "bird."
142
409553
1647
bật sáng và hô lên "con chim".
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Giờ tôi sẽ biểu diễn ba thành phần:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
điểm ảnh ở đầu vào, sợi tiếp hợp xi-náp
trong mạng lưới nơron,
trong mạng lưới nơron,
07:11
and bird, the output --
145
419700
1585
và con chim ở đầu ra
07:13
by three variables: x, w and y.
146
421309
3057
là ba biến số: X, W và Y.
07:16
There are maybe a million or so x's --
147
424853
1811
Biến X có thể có hàng triệu giá trị.
07:18
a million pixels in that image.
148
426688
1953
nghĩa là hàng triệu điểm ảnh trong hình.
07:20
There are billions or trillions of w's,
149
428665
2446
Biến W có hàng tỉ hay cả ngàn tỉ giá trị,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
tương ứng với khối lượng khác nhau
của toàn bộ xi-náp trong mạng nơron.
của toàn bộ xi-náp trong mạng nơron.
07:26
And there's a very small number of y's,
151
434580
1875
Và với biến Y, chỉ có 4 giá trị,
07:28
of outputs that that network has.
152
436479
1858
là số giá trị mà mạng nơron xuất ra.
07:30
"Bird" is only four letters, right?
153
438361
1749
"B-i-r-d" có 4 kí tự đúng không?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Giờ thì hãy giả sử ta có biểu thức
đơn giản này:
đơn giản này:
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
Tôi đặt dấu nhân trong ngoặc kép
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
vì đó mới là những gì
đang thực sự diễn ra,
đang thực sự diễn ra,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
tất nhiên rất phức tạp, gồm hàng loạt
các bài toán được giải.
các bài toán được giải.
07:47
That's one equation.
159
455172
1221
Đây là một biểu thức.
07:48
There are three variables.
160
456417
1672
Gồm có 3 biến số.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Và ta đều biết nếu như ta
có 1 đẳng thức,
có 1 đẳng thức,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
bạn sẽ tìm được 1 biến khi biết
2 biến còn lại.
2 biến còn lại.
07:57
So the problem of inference,
163
465158
3380
Nên vấn đề mắc phải
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
để nhận ra đó là hình vẽ một con chim
08:03
is this one:
165
471459
1274
chính là đây:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
đây là nơi Y là biến chưa biết,
và W, X là 2 biến đã biết.
và W, X là 2 biến đã biết.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Bạn biết được mạng nơron,
bạn biết số điểm ảnh.
bạn biết số điểm ảnh.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Như bạn thấy, chuyện này
khá dễ giải quyết.
khá dễ giải quyết.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Chỉ cần lấy tích của 2 x 3
là xong.
là xong.
08:16
I'll show you an artificial neural network
170
484862
2123
Tôi sẽ cho bạn xem một mạng lưới
neuron nhân tạo
neuron nhân tạo
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
mà nhóm tôi dựng mới đây,
dựng lại hệt như vậy.
dựng lại hệt như vậy.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Mạng lưới này đang chạy trên
một chiếc điện thoại di động,
một chiếc điện thoại di động,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
và tất nhiên, khả năng tuyệt vời
vốn có của chiếc điện thoại
vốn có của chiếc điện thoại
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
chính là nó có thể thực hiện hàng tỉ,
hàng ngàn tỉ thao tác
hàng ngàn tỉ thao tác
08:31
per second.
175
499347
1248
mỗi giây.
08:32
What you're looking at is a phone
176
500619
1615
Bạn đang nhìn thấy
một chiếc điện thoại
một chiếc điện thoại
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
đang nhìn lần lượt những bức ảnh
có hình chim,
có hình chim,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
và nó không hô lên
"Đúng rồi, đây là chim,"
"Đúng rồi, đây là chim,"
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
mà lại xác định mỗi loài chim với một
mạng lưới tương tự như bộ não.
mạng lưới tương tự như bộ não.
08:44
So in that picture,
180
512890
1826
Nên trong bức tranh đó,
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 và W là hai đại lượng đã có,
và Y là ẩn.
và Y là ẩn.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Tôi đang chú thích cho một phần
rất hóc búa, dĩ nhiên rồi,
rất hóc búa, dĩ nhiên rồi,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
để hiểu làm cách nào
mà ta tìm được biến W.
mà ta tìm được biến W.
não chúng ta thật sự
làm được chuyện này sao?
làm được chuyện này sao?
08:56
the brain that can do such a thing?
184
524983
2187
Nhưng chúng ta chưa học về
những mô hình thế này bao giờ mà?
những mô hình thế này bao giờ mà?
08:59
How would we ever learn such a model?
185
527194
1834
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Nên bước này chúng ta học
cách giải ra W,
cách giải ra W,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
nếu ta làm giả bài này
với cách giải của đơn thức
với cách giải của đơn thức
09:07
in which we think about these as numbers,
188
535346
2000
bằng cách xem chúng là các con số,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
chúng ta biết cách giải đúng: 6 = 2 x W,
thì lấy 6 chia 2 là tiêu đời.
09:12
well, we divide by two and we're done.
190
540081
3312
09:16
The problem is with this operator.
191
544001
2220
Vấn đề chính là phép chia này đây.
09:18
So, division --
192
546823
1151
Vậy, phép chia này...
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
Chúng ta sử dụng phép chia vì nó
nó nghịch đảo với phép nhân,
nó nghịch đảo với phép nhân,
09:23
but as I've just said,
194
551143
1440
nhưng tôi đã nói vừa nãy,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
Phép nhân này thật ra không chỉ
là một phép nhân.
là một phép nhân.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Đây là một phép tính cực kỳ phức tạp,
vô cùng lắt léo;
vô cùng lắt léo;
09:30
it has no inverse.
197
558430
1704
và không có phép tính nghịch đảo.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Nên chúng ta phải tìm cách khác
để giải biểu thức này
để giải biểu thức này
09:35
without a division operator.
199
563332
2024
mà không được dùng phép chia.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
Trong khi cách giải lại không rối rắm.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Đừng sợ, hãy dùng một mẹo nhỏ trong
môn đại số,
môn đại số,
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
hãy chuyển 6 qua vế bên phải.
09:45
Now, we're still using multiplication.
203
573372
1826
Giờ thì chúng ta vẫn
đang dùng phép nhân.
đang dùng phép nhân.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Và số 0 đó, hãy coi nó là lỗi đi.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Có nghĩa là, nếu ta giải đúng được W,
09:53
then the error will be zero.
206
581818
1656
thì lỗi sẽ bằng 0.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Và nếu ta chưa giải đúng được,
09:57
the error will be greater than zero.
208
585460
1749
thì lỗi đó sẽ lớn hơn 0 nhiều.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Nên giờ ta chỉ có thể đoán sao để
lỗi có giá trị nhỏ nhất,
lỗi có giá trị nhỏ nhất,
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
và đó là chuyện mà máy vi tính
rất thành thạo.
rất thành thạo.
10:05
So you've taken an initial guess:
211
593334
1593
Vậy bạn vừa mới đoán:
10:06
what if w = 0?
212
594951
1156
giả sử W = 0 ?
10:08
Well, then the error is 6.
213
596131
1240
Vậy thì số lỗi = 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
W = 4 thì sao? Vậy lỗi = 4.
Rồi sau đó máy tính sẽ như
chơi trò bịt mắt bắt dê,
chơi trò bịt mắt bắt dê,
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
10:13
and drive down the error close to zero.
216
601256
2367
và đuổi theo lỗi cho đến khi nó
gần chạm tới 0.
gần chạm tới 0.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Nó sẽ tiến dần về giá trị đúng của W.
Thật ra sẽ không có giá trị hoàn toàn
chính xác, nhưng sau mười mấy lần,
chính xác, nhưng sau mười mấy lần,
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
chúng ta có được W = 2.999,
là giá trị gần đúng nhất.
là giá trị gần đúng nhất.
10:28
And this is the learning process.
220
616302
1814
Và đây chính là quá trình học tập.
10:30
So remember that what's been going on here
221
618140
2730
Hãy nhớ điều đang diễn ra
từ nãy đến giờ
từ nãy đến giờ
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
là cách thức chúng ta sử dụng rất nhiều
giá trị đã biết của X và Y
giá trị đã biết của X và Y
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
để tìm ra mối quan tâm của ta là W,
thông qua quá trình lặp đi lặp lại.
thông qua quá trình lặp đi lặp lại.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Đó cũng chính là phương pháp
học tập của chúng ta.
học tập của chúng ta.
10:44
We have many, many images as babies
225
632354
2230
Khi còn nhỏ người lớn cho ta
xem rất nhiều hình ảnh và nói
xem rất nhiều hình ảnh và nói
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
"đây là con chim", "còn đây không phải".
10:49
And over time, through iteration,
227
637714
2098
Qua thời gian, và qua việc học đi học lại,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
chúng ta giải được W, là
giải được các kết nối nơron.
giải được các kết nối nơron.
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
Nên giờ đây chúng ta đem X và W đã
cố định để tìm Y;
cố định để tìm Y;
10:59
that's everyday, fast perception.
230
647570
1847
đó là sự tri nhận nhanh hằng ngày.
11:01
We figure out how we can solve for w,
231
649441
1763
Chúng ta hiểu rằng mình có thể giải W,
11:03
that's learning, which is a lot harder,
232
651228
1903
đó là học tập, khó hơn nhiều,
11:05
because we need to do error minimization,
233
653155
1985
vì chúng ta phải giảm thiểu lỗi sai,
11:07
using a lot of training examples.
234
655164
1687
bằng cách sử dụng
phương pháp luyện tập.
phương pháp luyện tập.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Khoảng 1 năm trước,thành viên
Alex Mordvinstev của nhóm tôi,
Alex Mordvinstev của nhóm tôi,
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
quyết định làm thí nghiệm xem
chuyện gì xảy ra nếu ta cố tìm X,
chuyện gì xảy ra nếu ta cố tìm X,
11:15
given a known w and a known y.
237
663660
2037
khi đã biết 1 giá trị W và 1 giá trị Y.
11:18
In other words,
238
666124
1151
Nói cách khác,
11:19
you know that it's a bird,
239
667299
1352
bạn biết đó là con chim,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
và bạn cũng biết là hệ thần kinh
của mình được dạy, đó là chim
của mình được dạy, đó là chim
11:24
but what is the picture of a bird?
241
672002
2344
vậy thì bức hình một con chim là gì?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Hoá ra khi sử dụng 1 quá trình giống
như quá trình giảm thiểu lỗi,
như quá trình giảm thiểu lỗi,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
có thể giảm thiểu sai sót của mạng lưới
được dạy để nhận ra chim, và kết quả...
11:35
and the result turns out to be ...
244
683536
3388
11:42
a picture of birds.
245
690400
1305
là một bức hình gồm nhiều loài chim.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Đây là bức hình có nhiều loài chim
được tạo ra hoàn toàn từ 1 hệ thần kinh
được tạo ra hoàn toàn từ 1 hệ thần kinh
11:48
that was trained to recognize birds,
247
696575
1826
đã được dạy để nhận ra các loài chim,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
chỉ bằng việc tìm X thay vì tìm Y,
11:53
and doing that iteratively.
249
701987
1288
và làm đi làm lại quá trình đó.
11:55
Here's another fun example.
250
703732
1847
Đây là một ví dụ khác.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Đây là tác phẩm của thành viên
Mike Tyka của nhóm tôi,
Mike Tyka của nhóm tôi,
12:01
which he calls "Animal Parade."
252
709064
2308
cậu ấy gọi nó là "Đoàn thú tuần hành".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Nó làm tôi nhớ tới các tác phẩm
của William Kentridge,
của William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
khi ông cứ phác ra các hình vẽ, rồi bôi,
12:08
makes sketches, rubs them out,
255
716809
1460
rồi vẽ phác lại, rồi lại bôi,
12:10
and creates a movie this way.
256
718293
1398
và tạo ra một kiểu phim theo cách này.
12:11
In this case,
257
719715
1151
Trong tranh này,
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 đã đa dạng hoá biến Y
thành nhiều loài thú khác nhau,
thành nhiều loài thú khác nhau,
trong một mạng lưới được thiết kế
để nhận biết và phân biệt
để nhận biết và phân biệt
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
12:18
different animals from each other.
260
726597
1810
mỗi loài có nhiều loài khác nữa.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
Và giờ bạn có được một bức như tranh
biến hình động vật của hoạ sĩ Escher.
biến hình động vật của hoạ sĩ Escher.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Ở đây cậu ấy và Alex cùng thử
12:30
the y's to a space of only two dimensions,
263
738859
2759
giảm không gian của biến Y còn 2 chiều,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
để tạo ra một bản đồ có mặt
mọi thứ khác nhau
mọi thứ khác nhau
12:37
recognized by this network.
265
745104
1719
mà mạng lưới này nhận ra.
12:38
Doing this kind of synthesis
266
746847
2023
Khi thực hiện tổng hợp như vậy
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
hay tạo ra hình ảnh trên toàn bộ bề mặt,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
đa dạng giá trị Y trên mặt phẳng,
bạn có thể tạo ra
bạn có thể tạo ra
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
một loại bản đồ có tất cả những thứ
mà mạng lưới nhận biết được.
mà mạng lưới nhận biết được.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Tất cả các loài thú đều ở ngay đây;
"armadillo" ngay vị trí trung tâm.
"armadillo" ngay vị trí trung tâm.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Bạn có thể tạo bản đồ cho những mạng
lưới khác nữa.
lưới khác nữa.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Đây là mạng lưới được thiết kế
để nhận diện các khuôn mặt,
để nhận diện các khuôn mặt,
12:58
to distinguish one face from another.
273
766320
2000
để phân biệt mặt người này, người kia.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Còn đây, chúng ta đang chọn Y
có giá trị là "tôi",
có giá trị là "tôi",
13:03
my own face parameters.
275
771617
1575
là thông số giúp nhận ra gương mặt tôi.
13:05
And when this thing solves for x,
276
773216
1706
Và khi dùng Y để tìm X,
13:06
it generates this rather crazy,
277
774946
2618
nó cho ra một thứ rất điên,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
đại loại như tranh lập thể, siêu thực
vẽ tôi đang phê thuốc
vẽ tôi đang phê thuốc
13:14
from multiple points of view at once.
279
782040
1806
từ nhiều góc nhìn khác nhau cùng lúc.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Sở dĩ nó như nhiều góc nhìn khác nhau
cùng một lúc là vì
cùng một lúc là vì
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
mạng lưới được thiết kế
để tránh sự mơ hồ khi nhận diện
để tránh sự mơ hồ khi nhận diện
một gương mặt khi nhìn ở góc này
so với khi nhìn ở góc khác,
so với khi nhìn ở góc khác,
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
hay trong điều kiện chiếu sáng
khác nhau.
khác nhau.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Nên khi bạn thực hiện việc tái cấu tạo,
13:30
if you don't use some sort of guide image
285
798348
2304
nếu không sử dụng kiểu hình ảnh hướng dẫn
13:32
or guide statistics,
286
800676
1211
hay thông số hướng dẫn để làm mẫu,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
thì bạn sản phẩm nhận được
là một bức hình rối mắt ở mọi góc nhìn,
là một bức hình rối mắt ở mọi góc nhìn,
13:37
because it's ambiguous.
288
805700
1368
vì mọi thứ trông rất mờ ảo.
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
Đây là kết quả khi Ales sử dụng
mặt mình làm hình ảnh mẫu
mặt mình làm hình ảnh mẫu
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
trong quá trình tối ưu hoá mạng lưới
để tái hiện gương mặt tôi.
để tái hiện gương mặt tôi.
13:48
So you can see it's not perfect.
291
816284
2328
Nên có thể bạn thấy nó không hoàn hảo.
13:50
There's still quite a lot of work to do
292
818636
1874
Vẫn còn khá nhiều chuyện để làm
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
để cải thiện tối đa
quá trình tái cấu trúc.
quá trình tái cấu trúc.
Nhưng giờ thì có được
bức tranh một gương mặt liền mạch
bức tranh một gương mặt liền mạch
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
13:57
rendered using my own face as a guide.
295
825862
2014
sử dụng mặt tôi làm hình hướng dẫn.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Bạn không cần phải bắt đầu
vẽ với tờ giấy trắng
vẽ với tờ giấy trắng
14:03
or with white noise.
297
831417
1156
hay tiếng ồn trắng.
14:04
When you're solving for x,
298
832597
1304
Khi tìm 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
bạn có thể bắt đầu với X,
bản thân nó đã là một hình.
bản thân nó đã là một hình.
14:09
That's what this little demonstration is.
300
837838
2556
Đó là điều mà tôi minh hoạ hôm nay.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Hệ thần kinh nhân tạo này được
thiết kế để phân loại
thiết kế để phân loại
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
tất cả vật thể khác nhau,
như công trình nhân tạo, động vật...
như công trình nhân tạo, động vật...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Ở đây, đầu tiên ta có bức tranh với
những đám mây,
những đám mây,
14:22
and as we optimize,
304
850324
1671
và khi ta tối ưu hoá hình này,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
về căn bản, hệ thần kinh nhân tạo
đang xác định mấy đám mây có hình gì.
đang xác định mấy đám mây có hình gì.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Và khi nhìn bức hình này càng lâu,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
bạn càng thấy được nhiều thứ
tạo ra từ những đám mây đó.
tạo ra từ những đám mây đó.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Bạn cũng có thể dùng hệ nhận diện
khuôn mặt để tạo ảo giác cho nền này,
khuôn mặt để tạo ảo giác cho nền này,
14:38
and you get some pretty crazy stuff.
309
866403
1812
và sẽ có được một sản phẩm điên khùng.
14:40
(Laughter)
310
868239
1150
(Cười)
14:42
Or, Mike has done some other experiments
311
870401
2744
Hay như vầy, Mike
có vài thí nghiệm nữa
có vài thí nghiệm nữa
14:45
in which he takes that cloud image,
312
873169
3905
cậu ấy lấy hình đám mây,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
tạo hiệu ứng ảo, phóng đại, rồi chỉnh ảo,
phóng, rồi chỉnh, rồi lại phóng.
phóng, rồi chỉnh, rồi lại phóng.
14:52
And in this way,
314
880629
1151
Và bằng cách này,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
tôi nghĩ bạn sẽ nhận được một
hệ thần kinh đang thấy lâng lâng,
hệ thần kinh đang thấy lâng lâng,
14:57
or a sort of free association,
316
885503
3680
hay là sự kết hợp tự do,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
trong đó bạn sẽ thấy mạng lưới ấy
đang ăn cái đuôi của mình.
đang ăn cái đuôi của mình.
15:03
So every image is now the basis for,
318
891458
3421
Nên mỗi hình đều là ảnh nền cho
15:06
"What do I think I see next?
319
894903
1421
hình "tôi sẽ thấy gì kế tiếp?
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
tôi sẽ nhìn thấy gì kế tiếp?
tôi sẽ nhìn thấy gì kế tiếp?"
tôi sẽ nhìn thấy gì kế tiếp?"
15:11
I showed this for the first time in public
321
899487
2936
Tôi đã đem trưng bày bức tranh
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
cho nhóm dự thính bài giảng
"Giáo dục Cấp cao" ở Seattle xem
"Giáo dục Cấp cao" ở Seattle xem
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
ngay sau khi ma tuý
được hợp thức hoá.
được hợp thức hoá.
15:22
(Laughter)
324
910369
2415
(Cười)
15:26
So I'd like to finish up quickly
325
914627
2104
Tôi sẽ kết thúc nhanh thôi
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
bằng việc nhấn mạnh rằng công nghệ
không có giới hạn.
không có giới hạn.
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
Tôi chỉ mới cho bạn xem những ví dụ
thị giác vì chúng nhìn vui mắt.
thị giác vì chúng nhìn vui mắt.
15:36
It's not a purely visual technology.
328
924723
2451
Chứ công nghệ
không chỉ thuần về thị giác.
không chỉ thuần về thị giác.
Cộng tác viên của chúng tôi, hoạ sĩ
Ross Goodwin,
Ross Goodwin,
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
đã có nhiều thí nghiệm có cả
một camera chụp hình,
một camera chụp hình,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
và sau đó 1 cái máy tính trong balô của
cậu ấy viết 1 bài thơ bằng mạng nơron,
cậu ấy viết 1 bài thơ bằng mạng nơron,
15:49
based on the contents of the image.
332
937168
1944
dựa vào nội dung của
hình ảnh ghi nhận.
hình ảnh ghi nhận.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Hệ thần kinh nhân tạo viết ra bài thơ đó
đã được học
đã được học
một kho ngữ liệu lớn
về thơ ca thế kỷ 20.
về thơ ca thế kỷ 20.
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
15:56
And the poetry is, you know,
335
944365
1499
Và bài thơ đó, bạn biết không,
15:57
I think, kind of not bad, actually.
336
945888
1914
thật ra cũng không dở lắm đâu.
15:59
(Laughter)
337
947826
1384
(Cười)
16:01
In closing,
338
949234
1159
Tóm lại,
16:02
I think that per Michelangelo,
339
950417
2132
Tôi nghĩ người tên Michelangelo đó,
16:04
I think he was right;
340
952573
1234
Ông ấy đã đúng;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Sự tri nhận và sáng tạo
có liên quan mật thiết với nhau.
có liên quan mật thiết với nhau.
16:09
What we've just seen are neural networks
342
957611
2634
Những hệ thần kinh nhân tạo
mà ta vừa thấy
mà ta vừa thấy
16:12
that are entirely trained to discriminate,
343
960269
2303
vốn chỉ được thiết kế
để tiếp nhận, phân biệt,
để tiếp nhận, phân biệt,
để nhận biết những sự vật
khác nhau của thế giới,
khác nhau của thế giới,
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
16:16
able to be run in reverse, to generate.
345
964862
3161
giờ có thể làm ngược lại, tạo ra cái mới.
16:20
One of the things that suggests to me
346
968047
1783
Một trong những điều tôi cảm giác được
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
không chỉ là Michelangelo
thật sự nhìn ra
thật sự nhìn ra
16:24
the sculpture in the blocks of stone,
348
972276
2452
bức điêu khắc bên trong tảng đá,
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
mà ông thấy bất kì sinh vật nào,
thực thể nào, trong hay ngoài hành tinh
thực thể nào, trong hay ngoài hành tinh
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
chỉ cần biết tri nhận,
16:34
is also able to create
351
982095
1375
sẽ có thể sáng tạo
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
vì có cơ chế chung dùng cho cả
hai quá trình ấy.
hai quá trình ấy.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Tôi cũng nghĩ rằng sự tri nhận
và sáng tạo không thể nào
và sáng tạo không thể nào
16:43
uniquely human.
354
991298
1210
chỉ con người mới có.
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
Chúng ta bắt đầu có những
mẫu máy tính làm được những thứ này.
mẫu máy tính làm được những thứ này.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Và điều đó không có gì lạ;
bộ não chính là bộ máy.
bộ não chính là bộ máy.
16:51
And finally,
357
999616
1657
Và sau cùng,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
máy tính bắt đầu trở thành công cụ
thiết kế trí tuệ nhân tạo.
thiết kế trí tuệ nhân tạo.
16:57
It was very much modeled after the idea
359
1005989
2462
Điện tử đã trở thành bằng chứng
17:00
of how could we make machines intelligent.
360
1008475
3013
chứng minh rằng ta
có thể làm ra trì tuệ nhân tạo.
có thể làm ra trì tuệ nhân tạo.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Và cuối cùng chúng ta
đã có thể hoàn thành
đã có thể hoàn thành
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
những hoài bão mà các tiền nhân để lại,
17:08
of Turing and von Neumann
363
1016128
1713
chính là Turing, Von Neumann
17:09
and McCulloch and Pitts.
364
1017865
2265
McCulloch và Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Và tôi nghĩ điện toán không chỉ
tập trung cho việc tính toán,
tập trung cho việc tính toán,
17:16
or playing Candy Crush or something.
366
1024276
2147
để chơi Candy Crush
hoặc những trò khác.
hoặc những trò khác.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Từ đầu, máy tính được tạo ra
theo hình mẫu là não người.
theo hình mẫu là não người.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Và nhờ máy tính, chúng ta hiểu
về bộ não mình rõ hơn
về bộ não mình rõ hơn
17:24
and to extend them.
369
1032342
1529
để có thể cải tiến chúng.
17:26
Thank you very much.
370
1034627
1167
Cám ơn rất nhiều.
17:27
(Applause)
371
1035818
5939
(Vỗ tay)
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