TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Wie Computer Kreativität lernen
Filmed:
Readability: 4.4
1,934,067 views
Im Bereich der Kunst und der Kreativität steht uns etwas Bahnbrechendes bevor – und es stammt nicht von Menschen. Blaise Agüera y Arcas, leitender Wissenschaftler bei Google, arbeitet mit sogenannten "Deep Neural Networks" für Maschinenwahrnehmung und dezentrales Lernen. In dieser fesselnden Vorführung zeigt er, wie man neuronale Netzwerke, die Bilder erkennen können, so umkehrt, dass sie Bilder erzeugen. Das Ergebnis: Spektakuläre, sinnestäuschende Collagen (und Gedichte!), die kaum einer Kategorie zugeordnet werden können. "Wahrnehmung und Kreativität sind sehr eng miteinander verbunden", sagt Agüera y Arcas. "Jedes Wesen, jedes Geschöpf, das der Wahrnehmung fähig ist, kann auch Dinge erschaffen."
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
Ich bin Teamleiter bei Google
im Bereich Maschinenintelligenz,
im Bereich Maschinenintelligenz,
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
das ist die Ingenieurdisziplin,
mit der man Computern und Geräten
mit der man Computern und Geräten
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
etwas von dem beibringen kann,
was Gehirne können.
was Gehirne können.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Deshalb interessieren wir uns
auch für echte Gehirne
auch für echte Gehirne
und Neurowissenschaften,
00:26
and neuroscience as well,
4
14562
1289
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
und besonders für die Dinge,
die unsere Gehirne können,
die unsere Gehirne können,
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
die noch weit über die Fähigkeiten
von Computern hinausgehen.
von Computern hinausgehen.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Ein Teilbereich unserer Arbeit war
schon immer die Wahrnehmung,
schon immer die Wahrnehmung,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
also der Vorgang, durch den
die Dinge auf der Welt --
die Dinge auf der Welt --
00:43
sounds and images --
9
31905
1584
Geräusche und Bilder --
00:45
can turn into concepts in the mind.
10
33513
2178
in unserem Kopf zu Konzepten werden.
00:48
This is essential for our own brains,
11
36235
2517
Das ist entscheidend für unsere Gehirne
00:50
and it's also pretty useful on a computer.
12
38776
2464
und auch ziemlich nützlich für Computer.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Unser Team schreibt Algorithmen
für maschinelle Wahrnehmung,
für maschinelle Wahrnehmung,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
die etwa ermöglichen, dass
Ihre Bilder auf Google Fotos
Ihre Bilder auf Google Fotos
basierend auf dem Bildinhalt
gesucht werden können.
gesucht werden können.
01:00
based on what's in them.
15
48908
1397
01:03
The flip side of perception is creativity:
16
51594
3493
Das Gegenstück zur Wahrnehmung
ist die Kreativität,
ist die Kreativität,
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
also das Schaffen einer Sache
auf Grundlage eines Konzepts.
auf Grundlage eines Konzepts.
Letztes Jahr kam zwischen unserer
Arbeit an maschineller Wahrnehmung,
Arbeit an maschineller Wahrnehmung,
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
dem Feld der maschinellen Kreativität
sowie der maschinellen Kunst
sowie der maschinellen Kunst
unerwartet eine Verbindung zustande.
01:18
and machine art.
20
66635
1160
Ich glaube, Michelangelo hatte
einen scharfen Blick
einen scharfen Blick
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
für das duale Verhältnis zwischen
Wahrnehmung und Kreativität.
Wahrnehmung und Kreativität.
01:28
This is a famous quote of his:
23
76023
2006
Ein berühmtes Zitat von ihm lautet:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Jeder rohe Stein hat eine Figur in sich,
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
der Bildhauer muss sie nur entdecken."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Ich glaube, Michelangelo wollte sagen,
01:41
is that we create by perceiving,
27
89269
3180
dass wir durch Wahrnehmung erschaffen.
Die Wahrnehmung ist
ein Akt der Vorstellung,
ein Akt der Vorstellung,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
01:47
and is the stuff of creativity.
29
95520
2461
die Grundlage für Kreativität.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Das Organ, das all das Denken,
Wahrnehmen und Vorstellen erledigt,
Wahrnehmen und Vorstellen erledigt,
01:54
of course, is the brain.
31
102640
1588
ist natürlich das Gehirn.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Jetzt möchte ich kurz
historisch betrachten,
historisch betrachten,
01:59
about what we know about brains.
33
107658
2302
was wir über Gehirne wissen.
Denn anders als über
das Herz oder die Eingeweide
das Herz oder die Eingeweide
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
kann man nur durch Betrachten
nicht viel über Gehirne herausfinden,
nicht viel über Gehirne herausfinden,
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
02:08
at least with the naked eye.
36
116134
1412
zumindest nicht mit bloßem Auge.
02:09
The early anatomists who looked at brains
37
117983
2416
Die ersten Anatomen,
die sich Gehirne ansahen,
die sich Gehirne ansahen,
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
gaben der oberflächlichen Struktur
eine ganze Reihe fantasievoller Namen,
eine ganze Reihe fantasievoller Namen,
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
wie Hippocampus, was
"kleiner Shrimp" bedeutet.
"kleiner Shrimp" bedeutet.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Doch so etwas verrät uns
natürlich nicht viel darüber,
natürlich nicht viel darüber,
02:21
about what's actually going on inside.
41
129499
2318
was im Inneren wirklich vor sich geht.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Die erste Person, die meiner Meinung nach
wirklich eine Art Einblick
wirklich eine Art Einblick
02:28
into what was going on in the brain
43
136417
1930
in die inneren Vorgänge
des Gehirns gewann,
des Gehirns gewann,
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
war der große spanische Neuroanatom
Santiago Ramón y Cajal
Santiago Ramón y Cajal
02:34
in the 19th century,
45
142315
1544
im 19. Jahrhundert,
02:35
who used microscopy and special stains
46
143883
3755
der mit Mikroskopie und Spezialfarbe
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
die einzelnen Gehirnzellen
selektiv ausfüllte
selektiv ausfüllte
02:43
the individual cells in the brain,
48
151856
2008
oder kontrastreich darstellte,
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
um die Morphologie
der Zellen zu verstehen.
der Zellen zu verstehen.
Das sind die Zeichnungen,
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
die er im 19. Jahrhundert
von Neuronen anfertigte.
von Neuronen anfertigte.
02:52
in the 19th century.
51
160887
1209
02:54
This is from a bird brain.
52
162120
1884
Diese zeigt ein Vogelgehirn.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Sie sehen eine unglaubliche
Vielfalt verschiedener Zellarten.
Vielfalt verschiedener Zellarten.
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
Sogar die Zelltheorie selbst
war damals ziemlich neu.
war damals ziemlich neu.
Diese Strukturen,
diese verzweigten Zellen,
diese verzweigten Zellen,
03:02
And these structures,
55
170568
1278
03:03
these cells that have these arborizations,
56
171870
2259
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
diese Äste, die sehr,
sehr weit reichen können --
sehr weit reichen können --
das war damals völlig neu.
03:08
this was very novel at the time.
58
176785
1616
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Sie erinnern ganz klar an Kabel.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
Das mag für manch einen im 19. Jh.
offensichtlich gewesen sein,
offensichtlich gewesen sein,
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
als gerade die Revolution
der Elektrizität und Verkabelung begann.
der Elektrizität und Verkabelung begann.
03:21
But in many ways,
62
189964
1178
Doch in vielerlei Hinsicht
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
wurden Ramón y Cajals
mikroanatomische Zeichnungen
mikroanatomische Zeichnungen
wie diese hier, nie wirklich übertroffen.
03:26
they're still in some ways unsurpassed.
64
194503
2332
03:28
We're still more than a century later,
65
196859
1854
Jetzt, mehr als hundert Jahre später,
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
versuchen wir immer noch,
Ramón y Cajals Werk zu vollenden.
Ramón y Cajals Werk zu vollenden.
03:33
These are raw data from our collaborators
67
201586
3134
Das sind die Rohdaten unserer Mitarbeiter
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
am Max-Planck-Institut für Neurobiologie.
03:39
And what our collaborators have done
69
207649
1790
Unsere Mitarbeiter bilden also
03:41
is to image little pieces of brain tissue.
70
209463
5001
kleine Teile von Gehirngewebe ab.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Diese ganze Probe hier misst
ungefähr einen Kubikmillimeter.
ungefähr einen Kubikmillimeter.
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
Hier zeige ich Ihnen
ein winziges Stück davon.
ein winziges Stück davon.
03:52
That bar on the left is about one micron.
73
220483
2346
Der Strich links misst circa ein Mikron.
Die Strukturen, die Sie sehen,
sind Mitochondrien,
sind Mitochondrien,
03:54
The structures you see are mitochondria
74
222853
2409
03:57
that are the size of bacteria.
75
225286
2044
die so groß wie Bakterien sind.
Das sind aufeinanderfolgende Schnitte
03:59
And these are consecutive slices
76
227354
1551
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
durch diesen sehr, sehr
dünnen Gewebeblock.
dünnen Gewebeblock.
04:04
Just for comparison's sake,
78
232101
2403
Nur zum Vergleich,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
der Durchmesser einer durchschnittlichen
Haarsträhne beträgt circa 100 Mikronen.
Haarsträhne beträgt circa 100 Mikronen.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Wir sehen hier also etwas
noch viel kleineres
noch viel kleineres
04:12
than a single strand of hair.
81
240642
1398
als eine einzelne Haarsträhne.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Basierend auf den Serien aus
Elektronenmikroskopscheiben
Elektronenmikroskopscheiben
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
kann man 3D-Nachbildungen
von Neuronen wie diese hier erstellen.
von Neuronen wie diese hier erstellen.
Diese haben in etwa den Stil
von Ramón y Cajal.
von Ramón y Cajal.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Nur ein paar Neutronen leuchten,
04:26
Only a few neurons lit up,
85
254332
1492
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
weil wir hier sonst nichts sehen könnten.
Es wäre so unübersichtlich,
04:30
It would be so crowded,
87
258653
1312
04:31
so full of structure,
88
259989
1330
so überfüllt mit Kabelstrukturen,
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
die die Neuronen verbinden.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal war seiner Zeit
also etwas voraus.
also etwas voraus.
04:40
and progress on understanding the brain
91
268121
2555
Die Fortschritte beim
Verstehen des Gehirns
Verstehen des Gehirns
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
geschahen in den folgenden
Jahrzehnten nur langsam.
Jahrzehnten nur langsam.
04:45
But we knew that neurons used electricity,
93
273455
2853
Aber wir wussten,
dass Neuronen Elektrizität nutzen.
dass Neuronen Elektrizität nutzen.
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
Im Zweiten Weltkrieg
war unsere Technologie
war unsere Technologie
für elektronische Experimente
an lebenden Neuronen
an lebenden Neuronen
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
zur Erforschung ihrer
Funktionsweise ausgereift genug.
Funktionsweise ausgereift genug.
04:54
to better understand how they worked.
96
282122
2106
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Genau damals wurden auch
Computer erfunden,
Computer erfunden,
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
hauptsächlich auf Basis von
Nachbildungen des Gehirns --
Nachbildungen des Gehirns --
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
"intelligente Maschinen",
wie sie Alan Turing nannte,
wie sie Alan Turing nannte,
05:07
one of the fathers of computer science.
100
295244
1991
einer der Urväter der Infomatik.
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 und Walter Pitts
betrachteten Ramón y Cajals Zeichnung
betrachteten Ramón y Cajals Zeichnung
05:14
of visual cortex,
102
302579
1317
eines visuellen Cortex,
05:15
which I'm showing here.
103
303920
1562
die ich Ihnen hier zeige.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Das ist der Cortex, der Bilder
verarbeitet, die das Auge sieht.
verarbeitet, die das Auge sieht.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Sie fanden, dass es
wie ein Schaltplan aussah.
wie ein Schaltplan aussah.
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
Im Schaltplan von McCulloch
und Pitts gibt es viele Details,
und Pitts gibt es viele Details,
05:30
that are not quite right.
107
318212
1352
die nicht ganz stimmen.
05:31
But this basic idea
108
319588
1235
Doch der Grundgedanke,
dass der visuelle Cortex wie eine
Reihe Computerelemente funktioniert,
Reihe Computerelemente funktioniert,
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
die Informationen stufenartig
nacheinander weiterreichen,
nacheinander weiterreichen,
05:39
is essentially correct.
111
327633
1602
stimmt im Grunde.
Besprechen wir kurz,
05:41
Let's talk for a moment
112
329259
2350
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
was ein Modell für die Verarbeitung
visueller Informationen machen müsste.
visueller Informationen machen müsste.
05:48
The basic task of perception
114
336228
2741
Die Grundaufgabe der Wahrnehmung ist es,
05:50
is to take an image like this one and say,
115
338993
4194
bei einem solchen Bild zu sagen:
05:55
"That's a bird,"
116
343211
1176
"Das ist ein Vogel",
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
für unsere Gehirne ist das sehr einfach.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Sie müssen aber bedenken,
dass das für einen Computer
dass das für einen Computer
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
noch vor ein paar Jahren
völlig unmöglich war.
völlig unmöglich war.
Für ein klassisches Rechensystem
06:05
The classical computing paradigm
120
353865
1916
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
ist das nicht einfach.
06:11
So what's going on between the pixels,
122
359366
2552
Was zwischen den Pixeln,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
dem Bild eines Vogels
und dem Wort "Vogel" passiert,
und dem Wort "Vogel" passiert,
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
ist im Grunde eine Gruppe
miteinander verbundener Neuronen
miteinander verbundener Neuronen
in einem neuronalen Netzwerk,
06:20
in a neural network,
125
368832
1155
06:22
as I'm diagramming here.
126
370011
1223
wie in meinem Diagramm.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Dieses neuronale Netzwerk kann
ein natürliches in unserer Sehrinde sein.
ein natürliches in unserer Sehrinde sein.
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
Heute können wir beginnen,
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
solche neuronalen Netzwerke
in Computern nachbauen.
in Computern nachbauen.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
Ich gebe Ihnen eine Vorstellung davon.
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
Die Pixel können Sie sich als
erste Neuronenschicht vorstellen.
erste Neuronenschicht vorstellen.
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
Genau so funktioniert das
im Prinzip auch im Auge --
im Prinzip auch im Auge --
06:39
that's the neurons in the retina.
133
387914
1663
mit den Neuronen in der Netzhaut.
06:41
And those feed forward
134
389601
1500
Die Neuronen leiten weiter,
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
Schicht für Schicht
durch die Neuronenschichten,
durch die Neuronenschichten,
die alle über Synapsen verschiedener
Gewichtung verbunden sind.
Gewichtung verbunden sind.
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
06:49
The behavior of this network
137
397609
1335
Das Verhalten dieses Netzwerks
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
wird durch die Stärke
all dieser Synapsen bestimmt.
all dieser Synapsen bestimmt.
Diese bestimmen die rechnerischen
Eigenschaften des Netzwerks.
Eigenschaften des Netzwerks.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
06:57
And at the end of the day,
140
405588
1470
Schlussendlich leuchtet dann ein Neuron
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
oder eine kleine Gruppe Neuronen auf
07:01
that light up, saying, "bird."
142
409553
1647
und sagt "Vogel".
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Jetzt werde ich diese drei Dinge --
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
die Pixel als Input, die Synapsen
im neuronalen Netzwerk
im neuronalen Netzwerk
07:11
and bird, the output --
145
419700
1585
und den Vogel als Output
07:13
by three variables: x, w and y.
146
421309
3057
durch drei Variablen ersetzen: x, w und y.
07:16
There are maybe a million or so x's --
147
424853
1811
Es kann eine Million x geben --
07:18
a million pixels in that image.
148
426688
1953
eine Million Pixel in einem Bild.
07:20
There are billions or trillions of w's,
149
428665
2446
Es gibt Milliarden oder Billiarden w,
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
die für die Gewichtung der Synapsen
im neuronalen Netzwerk stehen.
im neuronalen Netzwerk stehen.
07:26
And there's a very small number of y's,
151
434580
1875
Es gibt nur ganz wenige y,
07:28
of outputs that that network has.
152
436479
1858
also Outputs des Netzwerks.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Vogel" hat nur fünf Buchstaben.
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Dann tun wir doch einfach so,
als sei es nur eine einfache Formel:
als sei es nur eine einfache Formel:
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
Ich setze das "Mal"-Zeichen
in Anführungszeichen,
in Anführungszeichen,
07:38
I'm putting the times in scare quotes
156
446725
2036
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
denn der eigentliche Vorgang hier
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
ist eine komplizierte Abfolge
mathematischer Vorgänge.
mathematischer Vorgänge.
07:47
That's one equation.
159
455172
1221
Das ist eine Gleichung.
07:48
There are three variables.
160
456417
1672
Es gibt drei Variablen.
Bekanntlich kann man eine Variable
einer Gleichung lösen,
einer Gleichung lösen,
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
wenn man die anderen beiden kennt.
Das Problem mit der Schlussfolgerung,
07:57
So the problem of inference,
163
465158
3380
also das Herausfinden,
dass das Bild einen Vogel zeigt,
dass das Bild einen Vogel zeigt,
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
08:03
is this one:
165
471459
1274
ist das folgende:
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 ist unbekannt,
und w und x sind bekannt.
und w und x sind bekannt.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Wir kennen das neuronale
Netzwerk und die Pixel.
Netzwerk und die Pixel.
Es scheint ein recht
einfaches Problem zu sein.
einfaches Problem zu sein.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Wir rechnen zwei mal drei und sind fertig.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
08:16
I'll show you an artificial neural network
170
484862
2123
Ich zeige Ihnen jetzt ein neu entwickeltes
künstliches neuronales Netzwerk,
künstliches neuronales Netzwerk,
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
das genau das tut.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Es läuft in Echtzeit
auf einem Mobiltelefon,
auf einem Mobiltelefon,
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
und das an sich ist
natürlich schon erstaunlich,
natürlich schon erstaunlich,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
dass Mobiltelefone so viele
Milliarden und Billiarden Vorgänge
Milliarden und Billiarden Vorgänge
pro Sekunde verarbeiten können.
08:31
per second.
175
499347
1248
08:32
What you're looking at is a phone
176
500619
1615
Sie sehen hier ein Telefon,
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
das Bilder von einem Vogel
nacheinander ansieht,
nacheinander ansieht,
und sogar nicht nur
"Ja, es ist ein Vogel" sagt,
"Ja, es ist ein Vogel" sagt,
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
sondern mit einem solchen Netzwerk
auch die Vogelart bestimmt.
auch die Vogelart bestimmt.
08:44
So in that picture,
180
512890
1826
Bei diesem Bild
kennen wir das x und das w,
und das y ist unbekannt.
und das y ist unbekannt.
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Ich lasse hier natürlich
den schwierigen Teil aus,
den schwierigen Teil aus,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
also wie um alles in der Welt
wir das w finden können,
wir das w finden können,
08:56
the brain that can do such a thing?
184
524983
2187
wie das Gehirn so etwas kann.
08:59
How would we ever learn such a model?
185
527194
1834
Wie können wir jemals
so ein Modell erlernen?
so ein Modell erlernen?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Wenn wir diesen Lernvorgang,
also wie man nach w auflösen kann,
also wie man nach w auflösen kann,
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
wenn wir das bei der
einfachen Gleichung anwenden,
einfachen Gleichung anwenden,
09:07
in which we think about these as numbers,
188
535346
2000
in der wir sie uns als Zahlen vorstellen,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
wissen wir genau, was zu tun ist:
6 = 2 x w,
6 = 2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
wir teilen durch zwei und fertig.
09:16
The problem is with this operator.
191
544001
2220
Das Problem ist dieses Rechenzeichen.
09:18
So, division --
192
546823
1151
Division --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
wir wählen die Division, weil sie
das Gegenteil der Multiplikation ist,
das Gegenteil der Multiplikation ist,
09:23
but as I've just said,
194
551143
1440
aber wie gesagt,
09:24
the multiplication is a bit of a lie here.
195
552607
2449
Mulitplikation stimmt hier nicht ganz.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Es handelt sich um einen sehr
komplizierten, nichtlinearen Vorgang
komplizierten, nichtlinearen Vorgang
09:30
it has no inverse.
197
558430
1704
ohne Umkehrung.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Wir müssen also herausfinden,
wie wir die Gleichung
ohne Divisionszeichen lösen können.
ohne Divisionszeichen lösen können.
09:35
without a division operator.
199
563332
2024
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
Eigentlich ist es ganz einfach:
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Wir zaubern einfach
ein wenig mit der Algebra.
ein wenig mit der Algebra.
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
Wir ziehen die 6 auf
die rechte Seite der Gleichung.
die rechte Seite der Gleichung.
09:45
Now, we're still using multiplication.
203
573372
1826
Wir multiplizieren immer noch.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
Diese Null -- betrachten
wir einfach als Fehler.
wir einfach als Fehler.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Anders gesagt, wenn wir
korrekt nach w auflösen,
korrekt nach w auflösen,
09:53
then the error will be zero.
206
581818
1656
dann ist der Fehler null.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Wenn wir einen Fehler machen,
09:57
the error will be greater than zero.
208
585460
1749
ist der Fehler größer als null.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Jetzt können wir einfach raten,
um den Fehler zu minimieren.
um den Fehler zu minimieren.
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
Computer können das ausgezeichnet.
10:05
So you've taken an initial guess:
211
593334
1593
Sie raten also ins Blaue:
Was, wenn w = 0?
Dann ist der Fehler 6.
Dann ist der Fehler 6.
10:06
what if w = 0?
212
594951
1156
10:08
Well, then the error is 6.
213
596131
1240
Wenn w = 1? Dann ist der Fehler 4.
10:09
What if w = 1? The error is 4.
214
597395
1446
Dann kann der Computer Marco Polo spielen
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
und den Fehler gegen Null gehen lassen.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Dabei nähert er sich immer mehr dem w an.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Meist schafft er es nicht ganz,
aber nach ungefähr einem Dutzend Schritten
aber nach ungefähr einem Dutzend Schritten
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
liegen wir bei w = 2,999,
und das ist genau genug.
und das ist genau genug.
10:28
And this is the learning process.
220
616302
1814
Das ist der Lernprozess.
10:30
So remember that what's been going on here
221
618140
2730
Erinnern Sie sich daran,
dass wir gerade viele bekannte x
und bekannte y genommen haben.
und bekannte y genommen haben.
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
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
Wir lösten das w in der Mitte
durch ein Wiederholungsverfahren.
durch ein Wiederholungsverfahren.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Genauso lernen auch wir.
10:44
We have many, many images as babies
225
632354
2230
Als Babys sehen wir sehr viele Bilder.
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
Jemand sagt: "Das ist ein Vogel;
das ist kein Vogel."
das ist kein Vogel."
10:49
And over time, through iteration,
227
637714
2098
Mit der Zeit und durch Wiederholung
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
lösen wir nach w und diesen
neuronalen Verbindungen auf.
neuronalen Verbindungen auf.
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
Jetzt haben wir mit x und w
nach y aufgelöst.
nach y aufgelöst.
Die alltägliche, schnelle Wahrnehmung.
10:59
that's everyday, fast perception.
230
647570
1847
11:01
We figure out how we can solve for w,
231
649441
1763
Herauszufinden, wie man
nach w auflösen kann,
nach w auflösen kann,
11:03
that's learning, which is a lot harder,
232
651228
1903
ist Lernen und viel schwerer,
11:05
because we need to do error minimization,
233
653155
1985
weil wir die Fehler
nur über viele Übungsbeispiele
minimieren können.
minimieren können.
11:07
using a lot of training examples.
234
655164
1687
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Vor ungefähr einem Jahr
wollte Alex Mordvintsev
aus unserem Team herausfinden,
aus unserem Team herausfinden,
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
was passiert, wenn wir nach x auflösen
11:15
given a known w and a known y.
237
663660
2037
und w und y bekannt sind.
Anders ausgedrückt:
11:18
In other words,
238
666124
1151
Sie wissen, dass es ein Vogel ist.
11:19
you know that it's a bird,
239
667299
1352
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
Ihr neuronales Netzwerk
ist schon auf Vögel trainiert,
ist schon auf Vögel trainiert,
11:24
but what is the picture of a bird?
241
672002
2344
doch was ist das Bild eines Vogels?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Tatsächlich kann man die gleiche
Fehlerminimierungsstrategie
Fehlerminimierungsstrategie
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
bei Netzwerken zum Erkennen
von Vögeln anwenden.
von Vögeln anwenden.
11:35
and the result turns out to be ...
244
683536
3388
Das Ergebnis ist ...
11:42
a picture of birds.
245
690400
1305
ein Bild von Vögeln.
Dieses Bild von Vögeln wurde von einem
neuronalen Netzwerk erschaffen,
neuronalen Netzwerk erschaffen,
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
das auf das Vogelerkennen trainiert wurde,
11:48
that was trained to recognize birds,
247
696575
1826
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
und zwar nur durch Auflösen nach x,
nicht durch Auflösen nach y.
nicht durch Auflösen nach y.
All das passiert durch Wiederholungen.
11:53
and doing that iteratively.
249
701987
1288
11:55
Here's another fun example.
250
703732
1847
Noch ein lustiges Beispiel.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Dies ist die Arbeit unseres
Teammitglieds Mike Tyka,
Teammitglieds Mike Tyka,
12:01
which he calls "Animal Parade."
252
709064
2308
der es "Animal Parade" nennt.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Es erinnert mich etwas an
Kunstwerke von William Kentridge,
Kunstwerke von William Kentridge,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
der Skizzen macht, sie dann wegradiert,
12:08
makes sketches, rubs them out,
255
716809
1460
Skizzen macht, sie wegradiert,
und so einen Film erschafft.
12:10
and creates a movie this way.
256
718293
1398
12:11
In this case,
257
719715
1151
In diesem Fall
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
setzt Mike für y verschiedene Tiere
in ein Netzwerk ein,
in ein Netzwerk ein,
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
das verschiedene Tiere
erkennen und unterscheiden kann.
erkennen und unterscheiden kann.
12:18
different animals from each other.
260
726597
1810
Heraus kommt dieser seltsame
Übergang von Tier zu Tier im Stil Eschers.
Übergang von Tier zu Tier im Stil Eschers.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Hier haben Mike und Alex
gemeinsam versucht,
gemeinsam versucht,
das y auf nur zwei
Dimensionen einzuschränken
Dimensionen einzuschränken
12:30
the y's to a space of only two dimensions,
263
738859
2759
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
und so eine Karte von
allen Dingen im Raum zu erstellen,
allen Dingen im Raum zu erstellen,
12:37
recognized by this network.
265
745104
1719
die dieses Netzwerk erkennt.
12:38
Doing this kind of synthesis
266
746847
2023
Durch diese Darstellung
oder Bildgenerierung
auf der gesamten Oberfläche,
auf der gesamten Oberfläche,
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
wobei y auf der Oberfläche variiert,
wird eine Art Karte erstellt --
wird eine Art Karte erstellt --
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
eine visuelle Karte all der Dinge,
die das Netzwerk erkennen kann.
die das Netzwerk erkennen kann.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Alle Tiere sind da, "armadillo"
ist genau an dieser Stelle.
ist genau an dieser Stelle.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Dasselbe kann man auch
mit anderen Netzwerken machen.
mit anderen Netzwerken machen.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Dieses Netzwerk erkennt Gesichter
12:58
to distinguish one face from another.
273
766320
2000
und unterscheidet sie voneinander.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Hier setzten wir
ein y ein, das "ich" sagt,
ein y ein, das "ich" sagt,
13:03
my own face parameters.
275
771617
1575
also die Parameter meines Gesichts.
13:05
And when this thing solves for x,
276
773216
1706
Wenn das Netzwerk nach x auflöst,
13:06
it generates this rather crazy,
277
774946
2618
generiert es dieses verrückte,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
kubistisch angehauchte, surreale,
psychedelische Bild von mir
psychedelische Bild von mir
13:14
from multiple points of view at once.
279
782040
1806
aus verschiedenen Blickwinkeln.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Es wirkt wie eine Betrachtung
aus verschiedenen Blickwinkeln,
aus verschiedenen Blickwinkeln,
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
weil das Netzwerk so aufgebaut ist,
dass es die Vieldeutigkeit umgehen kann,
dass es die Vieldeutigkeit umgehen kann,
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
die durch Gesichter in verschiedenen Posen
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
oder verschiedene Belichtungen entsteht.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Wenn man bei dieser Art Rekonstruktion
nun keinerlei Musterbild
oder Hilfsstatistiken verwendet,
oder Hilfsstatistiken verwendet,
13:30
if you don't use some sort of guide image
285
798348
2304
13:32
or guide statistics,
286
800676
1211
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
vermischen sich die Ansichten
aus den verschiedenen Blickwinkeln
aus den verschiedenen Blickwinkeln
13:37
because it's ambiguous.
288
805700
1368
aufgrund der Vieldeutigkeit.
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
Das passert, wenn Alex
während des Optimierungsprozesses
während des Optimierungsprozesses
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
zur Rekonstruktion meines Gesichts
sein eigenes Gesicht als Muster verwendet.
sein eigenes Gesicht als Muster verwendet.
13:48
So you can see it's not perfect.
291
816284
2328
Sie sehen also, es ist nicht perfekt.
13:50
There's still quite a lot of work to do
292
818636
1874
Wir müssen noch hart arbeiten,
um diesen Optimierungsprozess
optimieren zu können.
optimieren zu können.
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Aber langsam entstehen
stimmigere Gesichter,
stimmigere Gesichter,
13:57
rendered using my own face as a guide.
295
825862
2014
da mein Gesicht als Muster diente.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Man muss nicht bei Null
oder weißem Rauschen beginnen.
14:03
or with white noise.
297
831417
1156
14:04
When you're solving for x,
298
832597
1304
Wenn man nach x auflöst,
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
kann man mit einem x anfangen,
das selbst schon ein anderes Bild ist.
das selbst schon ein anderes Bild ist.
14:09
That's what this little demonstration is.
300
837838
2556
Das soll diese Vorführung zeigen.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Das ist ein Netzwerk,
das verschiedenste Objekte --
das verschiedenste Objekte --
menschgemachte Strukturen, Tiere usw. --
kategorisieren können soll.
kategorisieren können soll.
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Wir beginnen nur mit einem Wolkenbild,
14:22
and as we optimize,
304
850324
1671
und während der Optimierung
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
findet das Netzwerk quasi heraus,
was es in den Wolken sieht.
was es in den Wolken sieht.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Je länger man zusieht,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
desto mehr sieht man in den Wolken.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Man kann mit dem Gesichtsnetzwerk
Halluzinationen einfügen,
Halluzinationen einfügen,
und ganz schön verrücktes Zeug machen.
14:38
and you get some pretty crazy stuff.
309
866403
1812
14:40
(Laughter)
310
868239
1150
(Lachen)
14:42
Or, Mike has done some other experiments
311
870401
2744
Mike hat noch mehr Experimente gemacht,
14:45
in which he takes that cloud image,
312
873169
3905
bei denen er ein Wolkenbild nimmt,
halluziniert, heranzoomt, halluziniert,
heranzoomt, halluziniert und zoomt.
heranzoomt, halluziniert und zoomt.
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
14:52
And in this way,
314
880629
1151
Auf diese Weise kann man vielleicht
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
eine Art Fluchtzustand des Netzwerks
14:57
or a sort of free association,
316
885503
3680
oder eine Art freie Assoziation erzeugen,
bei der sich das Netzwerk selbst
in den Schwanz beißt.
in den Schwanz beißt.
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
15:03
So every image is now the basis for,
318
891458
3421
Jedes Bild ist nun die Grundlage für:
15:06
"What do I think I see next?
319
894903
1421
"Was glaube ich, als nächstes zu sehen?
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
Was erwarte ich als nächstes,
und danach und danach?"
und danach und danach?"
15:11
I showed this for the first time in public
321
899487
2936
Öffentlich habe ich dies das erste Mal
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
einer Vorlesungsgruppe namens
"Higher Education" in Seattle gezeigt,
"Higher Education" in Seattle gezeigt,
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
kurz nachdem Marihuana legalisiert wurde.
15:22
(Laughter)
324
910369
2415
(Lachen)
15:26
So I'd like to finish up quickly
325
914627
2104
Ich möchte nun zum Ende kommen
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
und festhalten, dass dieser Technologie
keine Grenzen gesetzt sind.
keine Grenzen gesetzt sind.
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
Ich habe Ihnen nur visuelle Beispiele
gezeigt, einfach, weil es Spaß macht.
gezeigt, einfach, weil es Spaß macht.
15:36
It's not a purely visual technology.
328
924723
2451
Aber es ist keine
rein visuelle Technologie.
rein visuelle Technologie.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Ross Goodwin, künstlerischer Mitarbeiter,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
hat Experimente gemacht, bei denen
eine Kamera ein Bild schießt
eine Kamera ein Bild schießt
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
und ein Comuter in seinem Rucksack
ein Gedicht mit einem neuronalen Netzwerk
ein Gedicht mit einem neuronalen Netzwerk
15:49
based on the contents of the image.
332
937168
1944
basierend auf dem Bildinhalt schreibt.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
Trainiert wurde das neuronale
Gedichtenetzwerk mit den Werken
Gedichtenetzwerk mit den Werken
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
der Dichtungen des 20. Jahrhunderts.
15:56
And the poetry is, you know,
335
944365
1499
Die Gedichte sind, naja,
15:57
I think, kind of not bad, actually.
336
945888
1914
also ich finde sie gar nicht so schlecht.
15:59
(Laughter)
337
947826
1384
(Lachen)
16:01
In closing,
338
949234
1159
Zurück zu
16:02
I think that per Michelangelo,
339
950417
2132
Michelangelo,
ich denke, der lag richtig:
16:04
I think he was right;
340
952573
1234
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
Wahrnehmung und Kreativität
sind sehr eng miteinander verbunden.
sind sehr eng miteinander verbunden.
16:09
What we've just seen are neural networks
342
957611
2634
Gerade haben wir
neuronale Netzwerke gesehen,
neuronale Netzwerke gesehen,
16:12
that are entirely trained to discriminate,
343
960269
2303
die nur darauf trainiert sind,
verschiedene Dinge
zu unterscheiden oder zu erkennen,
zu unterscheiden oder zu erkennen,
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
und umgekehrt werden können,
um etwas zu erschaffen.
um etwas zu erschaffen.
16:20
One of the things that suggests to me
346
968047
1783
Daraus schließe ich nicht nur,
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
dass Michelangelo die Skulptur
im Stein wirklich sehen konnte,
im Stein wirklich sehen konnte,
16:24
the sculpture in the blocks of stone,
348
972276
2452
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
sondern auch, dass jedes Wesen,
jedes Geschöpf, jedes Alien,
jedes Geschöpf, jedes Alien,
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
das zu solchen Wahrnehmungen fähig ist,
auch Dinge erschaffen kann,
16:34
is also able to create
351
982095
1375
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
denn in beiden Fällen kommt die
gleiche Maschinerie zum Einsatz.
gleiche Maschinerie zum Einsatz.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Ich denke auch,
dass keinesfalls nur Menschen
dass keinesfalls nur Menschen
wahrnehmen und kreativ sein können.
16:43
uniquely human.
354
991298
1210
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
Langsam gibt es Computermodelle,
die genau das Gleiche können.
die genau das Gleiche können.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Das sollte keine Überraschung sein,
denn das Gehirn basiert auf Rechnen.
denn das Gehirn basiert auf Rechnen.
16:51
And finally,
357
999616
1657
Schließlich entstanden Computer
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
aus den Versuchen,
intelligente Maschinen zu bauen.
intelligente Maschinen zu bauen.
16:57
It was very much modeled after the idea
359
1005989
2462
Sie sind Modelle unserer
Vorstellung dessen,
Vorstellung dessen,
17:00
of how could we make machines intelligent.
360
1008475
3013
wie wir Maschinen
intelligent machen können.
intelligent machen können.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Jetzt erfüllen wir langsam
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
ein paar der Versprechen
der ersten Vorreiter,
der ersten Vorreiter,
17:08
of Turing and von Neumann
363
1016128
1713
von Turing und von Neumann
17:09
and McCulloch and Pitts.
364
1017865
2265
und McCulloch und Pitts.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Ich denke, beim Rechnen
geht es nicht nur um Buchhaltung
geht es nicht nur um Buchhaltung
17:16
or playing Candy Crush or something.
366
1024276
2147
oder Candy Crush oder so etwas.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Von Anfang an haben wir sie als
Abbild unseres Verstands gebaut.
Abbild unseres Verstands gebaut.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Mit ihnen können wir unseren
eigenen Verstand besser verstehen
eigenen Verstand besser verstehen
17:24
and to extend them.
369
1032342
1529
und unsere Fähigkeiten erweitern.
17:26
Thank you very much.
370
1034627
1167
Vielen Dank.
17:27
(Applause)
371
1035818
5939
(Applaus)
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