TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera i Arcas: Com els ordinador aprenen a ser creatius
Filmed:
Readability: 4.4
1,934,067 views
Som a la vora d'una nova frontera en l'art i la creativitat, i no és humana. Blaise Agüera i Arcas, científic principal a Google, treballa amb xarxes neuronals profundes per a la percepció i aprenentatge distribuït d'intel·ligència artificial. En aquesta captivadora presentació, mostra com les xarxes neuronals entrenades per reconèixer imatges es poden executar al revés, per generar-les. Els resultats: espectacular, collages al·lucinatòries (i poemes!) que desafien la categorització. "La percepció i la creativitat estan lligades molt íntimament", diu Agüera i Arcas. "Qualsevol criatura, qualsevol ésser que és capaç de fer actes de percepció també és capaç de crear."
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
Bé, dirigeixo un equip a Google
encarregat d'IA.
encarregat d'IA.
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
Dit d'una altra manera,
la disciplina d'enginyeria
la disciplina d'enginyeria
que fa que els ordinadors
imitin processos mentals.
imitin processos mentals.
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Això fa que ens interessem
en els cervells reals,
en els cervells reals,
00:26
and neuroscience as well,
4
14562
1289
així com en la neurociència
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
i més concretament
en els processos cerebrals
en els processos cerebrals
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
que són molt superiors
als processos dels ordinadors.
als processos dels ordinadors.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Històricament, una d'aquestes àrees
és la percepció.
és la percepció.
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
El procés mitjançant el qual
coses del món exterior,
coses del món exterior,
00:43
sounds and images --
9
31905
1584
sons i imatges,
00:45
can turn into concepts in the mind.
10
33513
2178
és converteixen en conceptes
a la nostra ment.
a la nostra ment.
00:48
This is essential for our own brains,
11
36235
2517
És un procés essencial
per als nostres cervells
per als nostres cervells
00:50
and it's also pretty useful on a computer.
12
38776
2464
i també resulta útil
en el cas dels ordinadors.
en el cas dels ordinadors.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Els algoritmes de percepció de la màquina
que fem a l'equip
que fem a l'equip
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
són els que fan possible
buscar les fotos a Google Photos,
buscar les fotos a Google Photos,
01:00
based on what's in them.
15
48908
1397
basant-los en què contenen.
01:03
The flip side of perception is creativity:
16
51594
3493
Però la percepció també és creativitat.
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
Fer d'un concepte,
una cosa que hi ha al món.
una cosa que hi ha al món.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Durant els darrers anys, el nostre treball
en la percepció mecànica
en la percepció mecànica
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
ha connectat, inesperadament,
amb el món de la creativitat mecànica,
amb el món de la creativitat mecànica,
01:18
and machine art.
20
66635
1160
i l'art de les màquines.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
En Miquel Àngel tenia
una profunda comprensió
una profunda comprensió
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
d'aquesta relació dual
entre percepció i creativitat.
entre percepció i creativitat.
01:28
This is a famous quote of his:
23
76023
2006
Per exemple, en aquesta cita seva:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"En cada bloc de marbre
hi ha una escultura,
hi ha una escultura,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
i la feina de l'escultor es descobrir-la."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Crec que al que
en Miquel Àngel es referia
en Miquel Àngel es referia
01:41
is that we create by perceiving,
27
89269
3180
és a que creem per mitjà de la percepció.
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
La percepció, en si mateixa,
és un acte d'imaginació,
és un acte d'imaginació,
01:47
and is the stuff of creativity.
29
95520
2461
i, per tant, l'àmbit de la creativitat.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
L'òrgan que pensa,
percep i imagina és,
percep i imagina és,
01:54
of course, is the brain.
31
102640
1588
per descomptat, el cervell.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
M'agradaria començar
amb un xic d'història,
amb un xic d'història,
01:59
about what we know about brains.
33
107658
2302
sobre el que sabem del cervell.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
A diferència d'òrgans
com el cor o els intestins,
com el cor o els intestins,
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
no se'n pot dir gaire d'un cervell,
amb només mirar-lo,
amb només mirar-lo,
02:08
at least with the naked eye.
36
116134
1412
com a mínim a simple vista.
02:09
The early anatomists who looked at brains
37
117983
2416
Els primers anatomistes
que observaren el cervell,
que observaren el cervell,
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
van donar a les estructures superficials
tota mena de noms originals,
tota mena de noms originals,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
com l'hipocamp, que vol dir 'gambeta'.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Però, obviament, aquests noms
no ens en diuen pas gaire
no ens en diuen pas gaire
02:21
about what's actually going on inside.
41
129499
2318
de què passa realment a l'interior.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
La primera persona que, considero,
va desenvolupar algun tipus de coneixement
va desenvolupar algun tipus de coneixement
02:28
into what was going on in the brain
43
136417
1930
en relació als processos cerebrals
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
va ser el gran neuroanatomista espanyol
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
02:34
in the 19th century,
45
142315
1544
durant el segle XIX.
02:35
who used microscopy and special stains
46
143883
3755
Va utilitzar el microscopi
i colorants especials
i colorants especials
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
per omplir o buidar selectivament,
per tal d'aconseguir un contrast molt alt
per tal d'aconseguir un contrast molt alt
02:43
the individual cells in the brain,
48
151856
2008
de les cèlules individuals del cervell,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
i així començar a entendre
les seves morfologies.
les seves morfologies.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Aquests dibuixos de les neurones
en són el resultat,
en són el resultat,
02:52
in the 19th century.
51
160887
1209
tot això al segle XIX.
02:54
This is from a bird brain.
52
162120
1884
Aquest és d'un cervell d'ocell.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
S'observa l'increïble varietat
de tipus de cèl·lules que hi ha,
de tipus de cèl·lules que hi ha,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
fins i tot la pròpia teoria cel·lular
era innovadora en aquell moment.
era innovadora en aquell moment.
03:02
And these structures,
55
170568
1278
Aquestes estructures,
03:03
these cells that have these arborizations,
56
171870
2259
aquestes cèl·lules amb arboritzacions,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
aquestes branques que poden anar
molt i molt lluny,
molt i molt lluny,
03:08
this was very novel at the time.
58
176785
1616
tot això era molt nou per l'època.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Recorden, per descomptat, a cables.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Això podia ser molt obvi
per a alguna gent del segle XIX,
per a alguna gent del segle XIX,
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
donat que acabava de començar
la revolució elèctrica i dels cables.
la revolució elèctrica i dels cables.
03:21
But in many ways,
62
189964
1178
Però en molts sentits,
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
els dibuixos microanatòmics
d'en Ramón y Cajal, com aquest,
d'en Ramón y Cajal, com aquest,
03:26
they're still in some ways unsurpassed.
64
194503
2332
en certa manera encara avui
són inmillorables.
són inmillorables.
03:28
We're still more than a century later,
65
196859
1854
Més d'un segle desprès,
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
encara intentem acabar la feina
que ell va començar.
que ell va començar.
03:33
These are raw data from our collaborators
67
201586
3134
Aquestes són les dades
dels nostres col·laboradors,
dels nostres col·laboradors,
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
de l'Institut de Neurociència Max Planck.
03:39
And what our collaborators have done
69
207649
1790
El que aquests col·laboradors han fet
03:41
is to image little pieces of brain tissue.
70
209463
5001
és prendre imatges de petits trossos
de teixits cerebrals.
de teixits cerebrals.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Aquesta mostra completa
té una mida d'un mil·límetre cúbic,
té una mida d'un mil·límetre cúbic,
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
i això només és una porció minúscula.
03:52
That bar on the left is about one micron.
73
220483
2346
La barra de l'esquerra
és una micra, si fa no fa.
és una micra, si fa no fa.
03:54
The structures you see are mitochondria
74
222853
2409
Les estructures que es veuen
són les mitocòndries.
són les mitocòndries.
03:57
that are the size of bacteria.
75
225286
2044
Tenen la mida d'un bacteri.
03:59
And these are consecutive slices
76
227354
1551
Aquests són costats consecutius,
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
travessant aquest diminut
bloc de teixit.
bloc de teixit.
04:04
Just for comparison's sake,
78
232101
2403
Per a fer-se una idea,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
el diàmetre d'un fil mitjà del cabell
té unes 100 micres.
té unes 100 micres.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Així doncs, ara mateix observem
quelcom molt més petit
quelcom molt més petit
04:12
than a single strand of hair.
81
240642
1398
que un simple fil de cabell.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
A partir d'aquestes sèries
de porcions de microscòpia d'electrons,
de porcions de microscòpia d'electrons,
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
és poden arribar a fer reconstruccions
de neurones en 3D. Són així.
de neurones en 3D. Són així.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Aquestes són similars
a les de l'estil de Ramón y Cajal.
a les de l'estil de Ramón y Cajal.
04:26
Only a few neurons lit up,
85
254332
1492
Només il·luminem
certes neurones
certes neurones
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
donat que de no ser així
no podríem veure res.
no podríem veure res.
04:30
It would be so crowded,
87
258653
1312
Estaria massa atapeït,
04:31
so full of structure,
88
259989
1330
massa ple d'estructura,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
de connexions cerebrals
entre una neurona i una altra.
entre una neurona i una altra.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal va ser
un avançat al seu temps.
un avançat al seu temps.
04:40
and progress on understanding the brain
91
268121
2555
El progrés en relació
a la comprensió del cervell
a la comprensió del cervell
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
va seguir lentament
durant les dècades següents.
durant les dècades següents.
04:45
But we knew that neurons used electricity,
93
273455
2853
Però vam aprendre
que les neurones usen electricitat.
que les neurones usen electricitat.
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
A la Segona Guerra Mundial,
la tecnologia havia avançat prou
la tecnologia havia avançat prou
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
com per a fer experiments elèctrics
amb neurones vives,
amb neurones vives,
04:54
to better understand how they worked.
96
282122
2106
per tal d'entendre'n el funcionament.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Va ser el mateix moment en que
s'inventaren els primers ordinadors,
s'inventaren els primers ordinadors,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
molt basats en l'idea de modelar
el cervell humà,
el cervell humà,
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
de fer "màquines intel·ligents",
com va dir l'Alan Turing,
com va dir l'Alan Turing,
05:07
one of the fathers of computer science.
100
295244
1991
un dels pares de la informàtica.
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 i Walter Pitts
observaren els dibuixos d'en Ramon y Cajal
observaren els dibuixos d'en Ramon y Cajal
05:14
of visual cortex,
102
302579
1317
del còrtex visual,
05:15
which I'm showing here.
103
303920
1562
que mostro aquí.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Aquest còrtex processa les imatges
que reben els ulls.
que reben els ulls.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Per ells, això semblava
un esquema de connexions.
un esquema de connexions.
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
Per això hi ha molts detalls als esquemes
d'en McCulloch i en Pitt
d'en McCulloch i en Pitt
05:30
that are not quite right.
107
318212
1352
que no són gaire correctes.
05:31
But this basic idea
108
319588
1235
Però aquesta idea bàsica,
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
que el còrtex visual funciona
com una serie d'elements computacionals
com una serie d'elements computacionals
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
tot passant informació d'un a l'altre
en una cascada
en una cascada
05:39
is essentially correct.
111
327633
1602
és, en essència, correcta.
05:41
Let's talk for a moment
112
329259
2350
Aturem-nos un moment
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
per parlar del que ha de fer un model
de processador d'informació visual.
de processador d'informació visual.
05:48
The basic task of perception
114
336228
2741
La tasca de percepció més bàsica seria:
05:50
is to take an image like this one and say,
115
338993
4194
agafar una imatge i poder dir
05:55
"That's a bird,"
116
343211
1176
"és un ocell".
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
Una tasca ben senzilla
per als nostres cervells.
per als nostres cervells.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Però cal entendre que,
en el cas d'un ordinador,
en el cas d'un ordinador,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
era una tasca impossible
només fa uns anys.
només fa uns anys.
06:05
The classical computing paradigm
120
353865
1916
El paradigma clàssic de la informàtica
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
no és aquell on aquesta tasca
és fàcil de fer.
és fàcil de fer.
06:11
So what's going on between the pixels,
122
359366
2552
Així doncs, què passa entre els píxels,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
entre la imatge de l'ocell
i la paraula "ocell",
i la paraula "ocell",
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
és, essencialment,
un conjunt de neurones interconnectades
un conjunt de neurones interconnectades
06:20
in a neural network,
125
368832
1155
en una xarxa neuronal,
06:22
as I'm diagramming here.
126
370011
1223
Com mostra el diagrama.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Aquesta xarxa neural pot ser biològica,
dins el nostre còrtex visual,
dins el nostre còrtex visual,
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
o, com hem començat
a ser capaços de fer,
a ser capaços de fer,
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
modelar aquestes xarxes neurals
a l'ordinador.
a l'ordinador.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Els ensenyaré quin aspecte té.
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
Així, els píxels es poden entendre
com una primera capa de neurones,
com una primera capa de neurones,
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
que, de fet, és com funciona
en el cas de l'ull,
en el cas de l'ull,
06:39
that's the neurons in the retina.
133
387914
1663
les neurones que hi ha a la retina.
06:41
And those feed forward
134
389601
1500
Una rere l'altra,
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
capes, capes i més capes
de neurones,
de neurones,
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
totes interconnectades per sinapsis
de diferents pesos.
de diferents pesos.
06:49
The behavior of this network
137
397609
1335
El comportament de la xarxa
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
es caracteritza per la força
de totes aquestes sinapsis.
de totes aquestes sinapsis.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Aquestes determinen
les propietats computacionals de la xarxa.
les propietats computacionals de la xarxa.
06:57
And at the end of the day,
140
405588
1470
El resultat final,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
és una neurona
o un petit grup de neurones
o un petit grup de neurones
07:01
that light up, saying, "bird."
142
409553
1647
que s'il·luminen i diuen "ocell".
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Ara representaré aquestes tres coses:
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
Els píxels d'entrada, les sinapsis
a la xarxa neuronal
a la xarxa neuronal
07:11
and bird, the output --
145
419700
1585
i l'ocell, el resultat;
07:13
by three variables: x, w and y.
146
421309
3057
amb tres variables: x, w i y.
07:16
There are maybe a million or so x's --
147
424853
1811
Potser hi ha un milió o més de 'x',
07:18
a million pixels in that image.
148
426688
1953
un milió de píxels a la imatge.
07:20
There are billions or trillions of w's,
149
428665
2446
Hi ha milers de milions de 'w',
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
que representen els pesos de les sinapsis
a la xarxa neuronal.
a la xarxa neuronal.
07:26
And there's a very small number of y's,
151
434580
1875
Però hi ha un nombre molt petit de 'y',
07:28
of outputs that that network has.
152
436479
1858
els resultats de la xarxa neuronal.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Bird" ['ocell'] són 4 lletres, oi?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Plantegem-nos-ho
com una fórmula senzilla:
com una fórmula senzilla:
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
Poso els temps entre cometes
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
perquè el que passa realment,
per descomptat,
per descomptat,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
són una serie d'operacions matemàtiques
molt complicades.
molt complicades.
07:47
That's one equation.
159
455172
1221
Això és una equació.
07:48
There are three variables.
160
456417
1672
Hi ha 3 variables.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Tothom sap que si tenim una equació,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
es pot resoldre una variable
per mitjà de conèixer les altres dues.
per mitjà de conèixer les altres dues.
07:57
So the problem of inference,
163
465158
3380
Així que el problema de la inferència,
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
és a dir esbrinar que
la imatge de l'ocell és un ocell,
la imatge de l'ocell és un ocell,
08:03
is this one:
165
471459
1274
és el següent:
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' és la incògnita
i 'w' i 'x' són valors coneguts.
i 'w' i 'x' són valors coneguts.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Sabem la xarxa neural,
sabem les píxels.
sabem les píxels.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
De fet, en realitat es tracta
d'un problema relativament senzill.
d'un problema relativament senzill.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
Multiplicant 2 vegades 3
estaria resolt.
estaria resolt.
08:16
I'll show you an artificial neural network
170
484862
2123
Els ensenyaré
una xarxa neuronal artificial,
una xarxa neuronal artificial,
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
que hem construït fa poc,
seguint aquesta idea.
seguint aquesta idea.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Això s'executa en temps real
des d'un telèfon mòbil,
des d'un telèfon mòbil,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
la qual cosa ja és, en si,
prou sorprenent;
prou sorprenent;
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
el fet que telèfons mòbils facin
milers de milions i bilions d'operacions,
milers de milions i bilions d'operacions,
08:31
per second.
175
499347
1248
en uns pocs segons.
08:32
What you're looking at is a phone
176
500619
1615
El que veuen és un telèfon,
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
mirant una per una
imatges d'ocells.
imatges d'ocells.
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
De fet, no només mirant
i dient "Sí, és un ocell",
i dient "Sí, és un ocell",
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
sinó també identificant-ne l'espècie d'au
per mitjà d'aquesta xarxa.
per mitjà d'aquesta xarxa.
08:44
So in that picture,
180
512890
1826
Així, en aquesta imatge,
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' i 'w' són valors coneguts,
i 'y' és la incògnita.
i 'y' és la incògnita.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Per descomptat, passem per alt
la part més difícil,
la part més difícil,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
que és: com descobrim el valor de 'w',
08:56
the brain that can do such a thing?
184
524983
2187
el cervell que ho pot fer?
08:59
How would we ever learn such a model?
185
527194
1834
Com podríem aprendre un model així?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Doncs aquest procés d'aprenentatge,
de resoldre el valor de 'w',
de resoldre el valor de 'w',
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
si el fem amb l'equació,
09:07
in which we think about these as numbers,
188
535346
2000
on pensem en el problema com a números,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
sabem com fer-ho exactament: 6 = 2 x w.
09:12
well, we divide by two and we're done.
190
540081
3312
Dividim entre 2 i s'ha acabat.
09:16
The problem is with this operator.
191
544001
2220
El problema ve amb aquesta operació.
09:18
So, division --
192
546823
1151
La divisió.
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
Hem utilitzat la divisió
perquè és l'oposat a la multiplicació,
perquè és l'oposat a la multiplicació,
09:23
but as I've just said,
194
551143
1440
però com hem dit,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
la multiplicació no és del tot certa aquí.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Es una operació tremendament complicada,
una operació no lineal,
una operació no lineal,
09:30
it has no inverse.
197
558430
1704
que no té oposat.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Així que hem d'esbrinar
la manera de resoldre l'equació
la manera de resoldre l'equació
09:35
without a division operator.
199
563332
2024
sense usar la divisió.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
La manera per fer-ho
és bastant directa.
és bastant directa.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Només s'ha de fer
un petit truc d'àlgebra.
un petit truc d'àlgebra.
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
És mou el 6 a la part dreta de l'equació.
09:45
Now, we're still using multiplication.
203
573372
1826
Així, encara usem la multiplicació.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Aquest 0, considerem-lo un error.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
És a dir, si hem resolt 'w'
correctament,
correctament,
09:53
then the error will be zero.
206
581818
1656
l'error és 0;
09:55
And if we haven't gotten it quite right,
207
583498
1938
si no l'hem resolt bé,
09:57
the error will be greater than zero.
208
585460
1749
l'error serà més gran que 0.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Ara només podem calcular a ull,
per tal de minimitzar l'error,
per tal de minimitzar l'error,
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
i els ordinadors són bons
en aquest tipus de coses.
en aquest tipus de coses.
10:05
So you've taken an initial guess:
211
593334
1593
Prenent una aproximació inicial:
10:06
what if w = 0?
212
594951
1156
què passa si w = 0?
10:08
Well, then the error is 6.
213
596131
1240
Bé, llavors l'error és 6.
10:09
What if w = 1? The error is 4.
214
597395
1446
Què passa si w = 1?
L'error és 4.
L'error és 4.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
I així l'ordinador pot jugar
a Marco Polo,
a Marco Polo,
10:13
and drive down the error close to zero.
216
601256
2367
per tal de reduir l'error prop de 0.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
A mesura que ho fa,
fa aproximacions successives a 'w'.
fa aproximacions successives a 'w'.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
En general, mai hi arriba del tot,
però desprès d'uns 12 passos,
però desprès d'uns 12 passos,
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
s'arriba a w=2.999,
que està prou a prop.
que està prou a prop.
10:28
And this is the learning process.
220
616302
1814
Aquest és el procés d'aprenentatge.
10:30
So remember that what's been going on here
221
618140
2730
Recordem que el que hem estat fent aquí
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
ha estat usar
molts valors coneguts 'x' i 'y'
molts valors coneguts 'x' i 'y'
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
i resoldre la 'w' central
mitjançant un procés de repetició.
mitjançant un procés de repetició.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
És exactament la mateixa manera
en la que aprenem nosaltres mateixos.
en la que aprenem nosaltres mateixos.
10:44
We have many, many images as babies
225
632354
2230
De nadons tenim moltíssimes imatges
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
i se'ns diu:
"Això és un ocell, això no ho és".
"Això és un ocell, això no ho és".
10:49
And over time, through iteration,
227
637714
2098
Amb el temps, a través de la repetició,
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
resolem la nostra 'w',
resolent les seves connexions neurals.
resolent les seves connexions neurals.
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
Bé, ara hem mantingut
'x' i 'w' per tal de resoldre 'y'
'x' i 'w' per tal de resoldre 'y'
10:59
that's everyday, fast perception.
230
647570
1847
això és diari, la percepció ràpida.
11:01
We figure out how we can solve for w,
231
649441
1763
Hem descobert com resoldre 'w',
11:03
that's learning, which is a lot harder,
232
651228
1903
l'aprenentatge, molt més difícil
11:05
because we need to do error minimization,
233
653155
1985
perquè s'ha de minimitzar l'error
11:07
using a lot of training examples.
234
655164
1687
practicant amb molts exemples,
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
i fa un any, l'Alex Mordvintsev,
del nostre equip,
del nostre equip,
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
va decidir experimentar
què passa en intentar resoldre 'x',
què passa en intentar resoldre 'x',
11:15
given a known w and a known y.
237
663660
2037
amb una 'w' i una 'y' conegudes.
11:18
In other words,
238
666124
1151
És a dir,
11:19
you know that it's a bird,
239
667299
1352
sabem que és un ocell,
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
i tenim la xarxa neural
entrenada en ocells,
entrenada en ocells,
11:24
but what is the picture of a bird?
241
672002
2344
però què és la imatge d'un ocell?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Va resultar que usant el mateix procés
de minimitzar l'error,
de minimitzar l'error,
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
mitjançant la xarxa entrenada
en reconèixer ocells,
en reconèixer ocells,
11:35
and the result turns out to be ...
244
683536
3388
el resultat és...
11:42
a picture of birds.
245
690400
1305
una imatge d'ocells.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Aquesta imatge d'ocells
es genera totalment per la xarxa neural
es genera totalment per la xarxa neural
11:48
that was trained to recognize birds,
247
696575
1826
entrenada en reconèixer ocells,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
tot resolent 'x' en lloc de resoldre 'y'
11:53
and doing that iteratively.
249
701987
1288
de manera repetitiva.
11:55
Here's another fun example.
250
703732
1847
Aquest és un altre bon exemple.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
És un treball fet pel Mike Tyka,
del nostre grup.
del nostre grup.
12:01
which he calls "Animal Parade."
252
709064
2308
El va anomenar "Cavalcada d'animals".
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Em recorda una mica
l'obra d'en William Kentridge,
l'obra d'en William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
fa esborranys, els refrega,
12:08
makes sketches, rubs them out,
255
716809
1460
fa esborranys, els refrega
12:10
and creates a movie this way.
256
718293
1398
i amb tot plegat fa una pel·lícula.
12:11
In this case,
257
719715
1151
En aquest cas,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
en Mike va variar 'y'
en l'espai de diferents animals,
en l'espai de diferents animals,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
a una xarxa dissenyada
que reconeix i distingeix
que reconeix i distingeix
12:18
different animals from each other.
260
726597
1810
entre diferents animals.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
El resultat és aquest estil Escher
d'animals transformant-se'n altres.
d'animals transformant-se'n altres.
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Ell i l'Alex van provar a reduir
12:30
the y's to a space of only two dimensions,
263
738859
2759
'y' a un espai de només 2 dimensions,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
tot fent un mapa
fora de l'espai de totes les coses
fora de l'espai de totes les coses
12:37
recognized by this network.
265
745104
1719
que reconeix aquesta xarxa.
12:38
Doing this kind of synthesis
266
746847
2023
En fer aquesta combinació
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
o generar les imatges
sobre tota aquesta superfície
sobre tota aquesta superfície
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
variant 'y' per la mateixa,
es genera una mena de mapa;
es genera una mena de mapa;
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
un mapa visual de tot allò
que la xarxa pot reconèixer.
que la xarxa pot reconèixer.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Tots els animals hi són,
com l'armadillo just en aquest punt.
com l'armadillo just en aquest punt.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Això també es pot fer amb
altra mena de xarxes.
altra mena de xarxes.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Aquesta és una xarxa
dissenyada per a reconèixer cares.
dissenyada per a reconèixer cares.
12:58
to distinguish one face from another.
273
766320
2000
Per a distingir una cara d'una altra.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Aquí hem posat a 'y'
on hi posa "jo"
on hi posa "jo"
13:03
my own face parameters.
275
771617
1575
els paràmetres de la meva cara.
13:05
And when this thing solves for x,
276
773216
1706
Quan amb això resolem 'x'
13:06
it generates this rather crazy,
277
774946
2618
genera aquesta bogeria.
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
Barreja de cubista, surrealista
i psicodèlica foto meva,
i psicodèlica foto meva,
13:14
from multiple points of view at once.
279
782040
1806
amb múltiples punts de vista aplegats.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
La raó per la qual aplega
múltiples punts de vista alhora
múltiples punts de vista alhora
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
és perquè la xarxa està dissenyada
per a obviar l'ambigüitat
per a obviar l'ambigüitat
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
d'una mateixa cara
amb un gest o un altre,
amb un gest o un altre,
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
observat amb una il·luminació
o una altra de diferent.
o una altra de diferent.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Així, en fer aquesta mena de reconstrucció
13:30
if you don't use some sort of guide image
285
798348
2304
si no s'utilitza
algun tipus d'imatge de guia,
algun tipus d'imatge de guia,
13:32
or guide statistics,
286
800676
1211
d'estadístiques de guia,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
el resultat és una confusió
de diferents punts de vista,
de diferents punts de vista,
13:37
because it's ambiguous.
288
805700
1368
perquè és ambigu.
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
Això és el que passa quan l'Alex
usa la seva cara com a imatge de guia
usa la seva cara com a imatge de guia
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
en el procés d'optimització per tal
de reconstruir la meva cara.
de reconstruir la meva cara.
13:48
So you can see it's not perfect.
291
816284
2328
Es pot apreciar que no es perfecte.
13:50
There's still quite a lot of work to do
292
818636
1874
Encara queda molta feina a fer,
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
per tal de millorar
aquest procés d'optimització.
aquest procés d'optimització.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Però, es comença a obtenir
quelcom semblant a una cara,
quelcom semblant a una cara,
13:57
rendered using my own face as a guide.
295
825862
2014
he deixat d'usar la meva cara com a guia.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
No s'ha de començar
d'un llenç en blanc
d'un llenç en blanc
14:03
or with white noise.
297
831417
1156
o d'un so en blanc.
14:04
When you're solving for x,
298
832597
1304
Quan resolem '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
es pot començar amb una 'x',
és a dir, amb una altra imatge.
és a dir, amb una altra imatge.
14:09
That's what this little demonstration is.
300
837838
2556
Com en aquesta petita demostració.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Aquesta és una xarxa dissenyada
per tal de categoritzar
per tal de categoritzar
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
tota mena d'objectes:
estructures fetes per l'home, animals...
estructures fetes per l'home, animals...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Comencem amb una senzilla
fotografia de núvols
fotografia de núvols
14:22
and as we optimize,
304
850324
1671
i en optimitzar,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
la xarxa esbrina, en essència,
què hi veu als núvols.
què hi veu als núvols.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Com a més temps passem
observant-ho,
observant-ho,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
més coses hi veurem,
als núvols.
als núvols.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
També podem usar la xarxa
de reconeixement facial per al·lucinar,
de reconeixement facial per al·lucinar,
14:38
and you get some pretty crazy stuff.
309
866403
1812
i aconseguim coses bastant boges.
14:40
(Laughter)
310
868239
1150
(Riures)
14:42
Or, Mike has done some other experiments
311
870401
2744
En Mike també ha fet d'altres experiments.
14:45
in which he takes that cloud image,
312
873169
3905
Ha agafat la imatge del núvols,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
al·lucina, fa zoom,
al·lucina, fa zoom...
al·lucina, fa zoom...
14:52
And in this way,
314
880629
1151
D'aquesta manera,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
s'obté una mena d'estat
de fuga dissociativa a la xarxa,
de fuga dissociativa a la xarxa,
14:57
or a sort of free association,
316
885503
3680
una mena d'associació lliure,
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
on la xarxa és menja la seva pròpia cua.
15:03
So every image is now the basis for,
318
891458
3421
Fent, així, de cada imatge, la base de:
15:06
"What do I think I see next?
319
894903
1421
"Què crec que hi veig aquí?
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
I ara què hi veig? I ara?..."
15:11
I showed this for the first time in public
321
899487
2936
La primera vegada
que ho vaig ensenyar en públic
que ho vaig ensenyar en públic
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
va ser a un grup a una conferència
a Seattle anomenat "Higher Education",
a Seattle anomenat "Higher Education",
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
tot just després
de legalitzar la marihuana.
de legalitzar la marihuana.
15:22
(Laughter)
324
910369
2415
(Riures)
15:26
So I'd like to finish up quickly
325
914627
2104
M'agradaria acabar ràpidament,
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
dient que aquesta
tecnologia no és només això.
tecnologia no és només això.
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
He ensenyat exemples visuals
perquè són divertits,
perquè són divertits,
15:36
It's not a purely visual technology.
328
924723
2451
però no només es tracta
de tecnologia visual.
de tecnologia visual.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Un artista col·laborador,
en Ross Goodwin,
en Ross Goodwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
ha fet experiments
fent fotografies amb una càmera
fent fotografies amb una càmera
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
i que un ordinador a la seva motxilla
en faci un poema amb una xarxa neural;
en faci un poema amb una xarxa neural;
15:49
based on the contents of the image.
332
937168
1944
bastant-se en la imatge.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Aquesta xarxa neural de poesia
s'ha preparat
s'ha preparat
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
amb un extens corpus de poesia
del segle XX.
del segle XX.
15:56
And the poetry is, you know,
335
944365
1499
Els poemes resultants són...
15:57
I think, kind of not bad, actually.
336
945888
1914
Bé, no estan del tot malament.
15:59
(Laughter)
337
947826
1384
(Riures)
16:01
In closing,
338
949234
1159
En resum.
16:02
I think that per Michelangelo,
339
950417
2132
Crec que en Miquel Àngel
16:04
I think he was right;
340
952573
1234
tenia raó.
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
La percepció i la creativitat
estan lligades molt íntimament.
estan lligades molt íntimament.
16:09
What we've just seen are neural networks
342
957611
2634
Això són xarxes neuronals
16:12
that are entirely trained to discriminate,
343
960269
2303
preparades per tal de poder
discriminar
discriminar
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
o reconèixer diferents coses
del món;
del món;
16:16
able to be run in reverse, to generate.
345
964862
3161
capaces de córrer en sentit invers
per tal de poder generar.
per tal de poder generar.
16:20
One of the things that suggests to me
346
968047
1783
Una de les coses que em suggereix,
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
és que no només
en Miquel Àngel era capaç de veure
en Miquel Àngel era capaç de veure
16:24
the sculpture in the blocks of stone,
348
972276
2452
l'escultura dins els blocs de marbre;
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
sino que qualsevol criatura,
qualsevol ésser, qualsevol marcià
qualsevol ésser, qualsevol marcià
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
capaç de fer aquesta mena
d'actes de percepció,
d'actes de percepció,
16:34
is also able to create
351
982095
1375
també pot crear.
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
Perquè s'utilitza exactament
el mateix mecanisme en ambdós casos.
el mateix mecanisme en ambdós casos.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
També considero que tant
la percepció com la creativitat no són
la percepció com la creativitat no són
16:43
uniquely human.
354
991298
1210
exclusivament humanes.
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
Comencem a tenir models d'ordinador
capaços de dur a terme aquestes tasques.
capaços de dur a terme aquestes tasques.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Això no ens hauria de sorprendre,
ja que el cervell és computacional.
ja que el cervell és computacional.
16:51
And finally,
357
999616
1657
Per acabar,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
la informàtica començà com a un exercici
de disseny de màquines intel·ligents.
de disseny de màquines intel·ligents.
16:57
It was very much modeled after the idea
359
1005989
2462
Es va modelar molt en torn
a la idea
a la idea
17:00
of how could we make machines intelligent.
360
1008475
3013
de com fer màquines intel·ligents.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Finalment, ara comencem a aconseguir
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
algunes de les promeses
d'aquells primers pioners,
d'aquells primers pioners,
17:08
of Turing and von Neumann
363
1016128
1713
d'en Turing, en Von Neumann,
17:09
and McCulloch and Pitts.
364
1017865
2265
d'en McCulloch i en Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Crec que la informàtica
no és només comptabilitat,
no és només comptabilitat,
17:16
or playing Candy Crush or something.
366
1024276
2147
o jugar al "Candy Crush" i coses així.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Vam començar seguint
el model de les nostres ments.
el model de les nostres ments.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Ens dóna tant l'habilitat
d'entendre'ns millor a nosaltres mateixos
d'entendre'ns millor a nosaltres mateixos
17:24
and to extend them.
369
1032342
1529
com de millora-la.
17:26
Thank you very much.
370
1034627
1167
Moltes gràcies.
17:27
(Applause)
371
1035818
5939
(Aplaudiments)
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